自学DeepLearning系列

Ubuntu14.04（x64） + Caffe + Opencv3.1.0 .....(Faster-RCNN and 持续更新中)

0.题外话

        自学东西真的很难，网上虽然也有不少的资料，但是自己经验有限，能够完全理解也需要一定时间，如果一步一步按照网上说的从零开始做，仔仔细细的校对，你会发现，有些步骤出了问题，而网上却没有。所以我都是找了很多的资料一起看，相互对比。第一次干什么事都很难，但是只要你过了这个坑，你就成功了！！！

        在接下来的内容中我会描述我自己的经验，从搭建环境开始，力求自信，希望看到这篇博文的人能到一天配置好所有，虽然我是花了3天。。。至于为什么选择linux环境，答案就一个，因为官方的教程都是linux，看教程方便。那些windows的教程都是二手的，有局限性。

1.需要准备的软件

目的：配置带有opencv+python接口的caffe，你需要准备：

1>CUDA 7.0：

在很多老的教程上都是说要下.run文件，再安装cuda之前要先禁用原有的显卡驱动。但是有更简单的办法，那就是安装.deb格式的。所以你在下载的时候一定要选择 local(deb)安装，此外还有注意一点是对应的ubuntu型号，要选择对应ubuntu14.04的cuda7.0，所以，下载的文件应该是：cuda-repo-ubuntu1404-7-0-local_7.0-28_amd64.deb。当然也可以在我的百度网盘里下载：

网盘地址：

下载来说一下CUDA的安装方法：

#sudo dpkg  -i   cuda-repo-ubuntu1404-7-0-local_7.0-28_amd64.deb

#sudo apt-get update

#sudo apt-get install cuda

#sudo reboot

安装完cuda以后会在/usr/local/下出现 cuda 和 cuda-7.0 两个文件夹，cuda是cuda-7.0的软连接（也就是快捷方式），然后：

#cd   /usr/local/cuda-7.0/samples     中

这个有个Makefile，那我们就直接执行make就好了，我电脑是：i7-4核  8线程的 所以执行

#make   all  -j8  （大约10分钟左右）

编译完以后samples文件夹下会多出来个bin文件夹，这里存放着编译好的程序

#cd   bin/x86_64/linux/release

#./deviceQuery  这会输出显卡的信息，但是我们的driver version和 runtime version 不一样我也不知道以后会不会有问题。

deviceInfo.png

将cuda路径添加到系统路径中：

#gedit  /etc/profile

在空白处加上：  export PATH=/usr/local/cuda-7.0/bin:$PATH 

                            

#source /etc/profile

编写库文件：

#gedit  /etc/ld.so.conf.d/cuda.conf

添加：/usr/local/cuda-7.0/lib64

#sudo ldconfig

2>cuDnn 7.0：

这个是GPU加速运算的库，安装也比较简单，就是解压以后把文件夹中的文件复制到相对应的CUDA路径下，下载地址：

网盘地址：

执行命令：

#tar zxvf  cudnn-7.0-linux-x64-v3.0-prod.tgz      !!!  注意  一定是v3.0的  因为v4.0的接口变了

#cd cuda

#sudo  cp  include/*   /usr/local/cuda-7.0/include/

#sudo  cp  lib64/*  /usr/local/cuda-7.0/lib64/

这个时候要去 /usr/local/cuda-7.0/lib64下看一下，因为复制过去的软连接都变成了实体，这时候要删除这些软链接重新创建，不然会报错！！

#cd  /usr/local/cuda-7.0/lib64

#sudo  rm libcudnn.so  libcudnn.so.4

然后重新创建：

#sudo ln -s  libcudnn.so.4.0.7  libcudnn.so.4

#sudo ln -s libcudnn.so.4   libcudnn.so

这就算安装完了。

3>安装google的第三方库：

#sudo apt-get install build-essential

#sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler

#sudo apt-get install --no-install-recommends libboost-all-dev

#sudo apt-get install libatlas-base-dev  (安装atlas)#sudo apt-get install python-dev         (安装Python)
#sudo apt-get install python-pip        （安装Python）#sudo apt-get install python-numpy python-scipy python-matplotlib ipython ipython-notebook （安装Python）
安装scikit-image
#pip install scikit-image
安装google-protobuf
#pip install protobuf

3>opencv3.1.0

下载opencv的网盘：

安装也比较好安装直接解压，然后cmake(前提是你要有cmake，#sudo apt-get install cmake)

先安装opencv的依赖库：

#sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev

移动到opencv.zip所在的文件夹，然后解压：

#unzip opencv-3.1.0.zip

#cd opencv-3.1.0

#mkdir release

#cd release

#cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local ..(时间会很久)

#make -j8

#sudo make install

到此，配置caffe所需的文件都编译完了。

1.编译caffe

1>下载caffe源码：https://github.com/BVLC/caffe。然后解压

#unzip caffe-master.zip

#cd caffe-master/python

#sudo   for  req in $(cat requirements.txt); do pip install $req; done  (安装python所需的依赖库)

然后返回caffe-master目录，编辑Makefile来配置caffe：

#cp Makefile.config.example     Makefile.config

这里英语好的同学可以很轻松的看懂，对于我这种英语不是很好的就有点纠结了。
主要说下改的地方吧：

（原来是）

# USE_CUDNN := 1

(改成)

USE_CUDNN := 1

如果你不是默认位置安装的话，检查一下python的路径：

PYTHON_INCLUDE:

PYTHON_LIB:

（原来是）

#WITH_PYTHON_LAYER := 1

(改成)

WITH_PYTHON_LAYER := 1

我的Makefile.config :   地址

然后就是激动人心的make时刻

#make all -j8

#make test  -j8

#make runtest  -j8

编译caffe的python接口：

#make pycaffe

以上绝大部分参考官网：http://caffe.berkeleyvision.org/installation.html#compilation

还有网上资料：http://www.tuicool.com/articles/nYJrYra

http://www.linuxidc.com/Linux/2015-07/120449.htm

2.运行第一个caffe的例子：MNIST

参考官网：http://www.linuxidc.com/Linux/2015-07/120449.htm

3.用自己的数据训练ImageNet网络（实现分类功能，可以用训练出的模型来分类）

            参考官网：http://caffe.berkeleyvision.org/gathered/examples/imagenet.html

            网络资源：http://www.docin.com/p-871820919.html（caffe学习笔记3 用自己的数据训练和测试）

            自己修改后的文件都存储在网盘里：

            根据这个solver.prototxt配置网络，生成的 caffemodel文件都保存在caffe-master根目录中：

           目前正在训练中。。。但是训练的次数好像有点多。。

4.用faster-RCNN 模型 训练自己的数据集（用来实现检测和分类功能）

从Github上下载py-faster-rcnn源码：

           首先说下python的caffe接口怎么用，是通过在python中import caffe这个模块。

          但是在编译caffe和pycaffe后，只能在caffe-master/python这个文件夹下import caffe才能用。

          那么问题来了，faster-RCNN中的python程序想import caffe 怎么才能好用呢？

          一个最简单的办法就是创建软连接：在import的默认路径中添加一个指向caffe-master/python/caffe这个文件夹的软连接就OK了！！

具体方法：

#python（打开python终端）

>>>import sys

>>>sys.path    (import 的默认路径是sys.path 定义的)

[ ' ' ,'/usr/lib/python2.7 ', ' '.......... ]

#sudo  ln  -s  /home/yueqiang/3dparty/caffe-master/python/caffe  /usr/lib/python2.7/caffe

这样就OK了！！！在任何的python程序中import caffe都是可以得！！！！！

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~