在Windows下安裝caffe遇到好多奇奇怪怪的問題，于是轉戰Ubuntu，比windows下要簡單很多。

本篇博文主要講解快速搭建caffe環境：

電腦系統：ubuntu 16.04

1、安裝caffe所需要的依賴庫

Caffe的所有依賴包都可以使用apt-get大發搞定。

#在Ubuntu下如果沒有使用root賬號，則每個命令前需要加sudo。

$ sudo apt-get install git
$ 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
$ sudo apt-get install python-dev
$ sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

2、下載caffe源碼

我的caffe源碼下載到home目錄下

$ cd ~
$ sudo git clone https://github.com/bvlc/caffe.git
$ cd caffe

下載完成后可以看到caffe的源碼包如下：

3、配置Make.config文件

caffe文件解壓后，文件夾下面有一個Makefile.config.example文件，我們需要將這個文件復制一份并重命名：Make.config  。

$ sudo cp Makefile.config.example Makefile.config

然后我們打開這個文件，可以看到如下內容：

4、編譯

方案一:

(1)在完成Make.config配置后，我們輸入命令：

    $  make -j 

     進行caffe源碼編譯.這一步有可能遇到如下錯誤:

• 錯誤1     caffe/proto/caffe.pb.h: No such file or directory

      如果出現這個錯誤,那么輸入命令:

      然后在進行make -j就可以了

• 錯誤2     hdf5.h: No such file or directory

        ① 在Makefile.config的95行添加/usr/include/hdf5/serial/ 到INCLUDE_DIRS也就是把下面第一行代碼改為第二行代碼

INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include

• 1

INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial/

• 1

         ② 在Makefile文件的第173行，把 hdf5_hl 和hdf5修改為hdf5_serial_hl 和 hdf5_serial，也就是把下面第一行代碼改為第二行代碼。

LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5

• 1

LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial

 然后在進行make -j就可以了

(2)編譯成功后編譯python接口，輸入命令

1. make pycaffe

這個文件夾下面的工具可是個好東西啊，以后我們會經常用到這些可執行文件，最常用的就是可執行文件：caffe，我們只要調用這個工具，就可以進行訓練。

• 錯誤1     numpy/arrayobject.h No such file or directory

      如果出現這個錯誤,那么輸入命令:

      sudo apt-get install python-numpy

方案二:直接采用cmake:

安裝完了，自然要測試一下能不能用咯。首先cd到caffe目錄，然后輸入命令：

把lenet_solver.prototxt里面的solver_mode 改為 CPU。因為我們還沒裝GPU，暫時只使用CPU就好了。

./data/mnist/get_mnist.sh下載MNIST數據集，下載完成后，在data/mnist下會出現四個文件：

t10k-images-idx3-ubyte   測試圖片數據

t10k-labels-idx1-ubyte   測試標簽

train-images-idx3-ubyte  訓練圖片數據

train-labels-idx1-ubyte  訓練標簽

因為下載完的數據為二進制文件，需要轉換為LEVELDB或LMDB才能被caffe識別，因此執行./examples/mnist/create_mnist.sh 生成

可以通過修改create_mnist.sh中的BACKEND="lmdb"或者BACKEND="leveldb"來選擇生成數據格式。

執行完create_mnist.sh以后，在examples/mnist下生成兩個文件夾mnist_train_lmdb和mnist_test_lmdb兩個目錄，每個目錄下都有兩個文件data.mdb和lock.mdb,顧名思義，mnist_train_lmdb就是生成的LMDB格式的MNIST數據集，mnist_test_lmdb則為LMDB格式的測試集。

然后我們運行腳本：

訓練完成以后，會在mnist文件夾下生成lenet_iter_10000.caffemodel

7、測試

利用訓練好的模型權值文件（examples/mnist/lenet_iter_10000.caffemodel）可以對測試數據集（或外部測試集）進行預測，運行如下命令：

$ ./build/tools/caffe test \

   -model examples/mnist/lenet_train_test.prototxt \

   -weights examples/mnist/lenet_iter_10000.caffemodel \

  -iterations 100

 命令行解釋：

• ./build/tools/caffe test, 表示只做預測（前向傳播計算），不進行參數更新（后向傳播計算）
• -model examples/mnist/lenet_train_test.prototxt, 指定模型描述文件文件
  
•  -weights examples/mnist/lenet_iter_10000.caffemodel， 指定模型預先訓練好的權值文件。
  
• -iterations 100，指定測試迭代次數。參與測試的樣例數目為（iterations * batch_size），batch_size在model prototxt中設定，為100時正好覆蓋全部10000個測試樣本。