Caffe + Ubuntu 15.04(16.04) + CUDA 7.5(8) 安装配置入门指(3)

b. 配置一些引用文件(增加部分主要是解决新版本下,HDF5的路径问题)

INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/lib/x86_64-linux-gnu/hdf5/serial/include LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu/hdf5/serial

c. 启用Intel Parallel Studio XE 2016

BLAS := mkl

d. 配置路径,实现caffe对Python和Matlab接口的支持

PYTHON_LIB := /usr/local/lib MATLAB_DIR := /usr/local/MATLAB/R2014a

c. 启用OpenCV 3.0, 去掉”#”

OPENCV_VERSION =3

6.编译caffe-master!!!”-j16”是使用CPU的多核进行编译,可以极大地加速编译的速度,建议使用。

$ make all -j16 $ make test -j16 $ make runtest -j16 $ make pycaffe -j16 $ make matcaffe -j16

六. 使用MNIST数据集进行测试
Caffe默认情况会安装在 Caffe-master,就是解压到那个目录,例如:$ home/username/caffe-master,所以下面的工作,默认已经切换到了该工作目录。下面的工作主要是,用于测试Caffe是否工作正常,不做详细评估。具体设置请参考官网:
1.数据预处理

$ sh data/mnist/get_mnist.sh

2.重建lmdb文件。Caffe支持多种数据格式输入网络,包括Image(.jpg, .png等),leveldb,lmdb,HDF5等,根据自己需要选择不同输入吧。

$ sh examples/mnist/create_mnist.sh

生成mnist-train-lmdb 和 mnist-train-lmdb文件夹,这里包含了lmdb格式的数据集

3.训练mnist

$ sh examples/mnist/train_lenet.sh

至此,Caffe安装的所有步骤完结,下面是一组简单的数据对比,实验来源于MNIST数据集,主要是考察一下不同系统下CPU和GPU的性能。可以看到明显的差别了,虽然MNIST数据集很简单,相信复杂得数据集,差别会更大,Ubuntu+GPU是唯一的选择了。

测试平台1:i7-4770K/16G/GTX 770/CUDA 6.5 MNIST Windows8.1 on CPU:620s MNIST Windows8.1 on GPU:190s MNIST Ubuntu 14.04 on CPU:270s MNIST Ubuntu 14.04 on GPU:160s MNIST Ubuntu 14.04 on GPU with cuDNN:30s Cifar10_full on GPU wihtout cuDNN:73m45s = 4428s (Iteration 70000) Cifar10_full on GPU with cuDNN:20m7s = 1207s (Iteration 70000) 测试平台2:技嘉P35X v3,i7-4720HQ@2.6G/16G/NVidia GTX 980 8G MNIST Ubuntu 15.04 on GPU with cuDNN:33s 测试平台3:Dell 7910,E5 2623v3 3.0G *2 /128G/ NVidia Titan X 12G MNIST Ubuntu 15.04 on GPU with cuDNN:23s (真是逆天啊!) 对比测试12*E5-2620(12CPUs)/128G/Tesla K20M/CUDA5.5/CentOS 6.4 MNIST CentOS 6.4 on GPU:294s 对比测试2:Tesla K40M/CUDA6.5/ubuntu 14.04 MNIST on GPU with cuDNN:30s 对比测试3:GTX 660/CUDA6.5/ubuntu 14.04 MNIST on GPU with cuDNN:49s

对比试验1是一个不太公平的测试,毕竟性能差很大,很可能不单单是由Tesla K20s 和GTX 770带来的,也可能是因为CentOS或者是CUDA5.5(without cuDNN)的影响,但总体上的结论和Caffe官网的 reference performance numbers 一致,对于普通用户:GTX的性价比高很多。对比试验2展现了Tesla K40的强大性能,相信对于复杂图像,它应该有更强劲的表现。(感谢香港城市大学 Ph.D Jingjing、南京理工大学 Ph.D JinLu、华中科技大学 MS LiuMaolin 提供的测试环境和测试数据。)

Ubuntu 15.04 下Caffe + + CUDA 7.0 安装配置指南 

Caffe 深度学习入门教程 

Ubuntu 16.04下Matlab2014a+Anaconda2+OpenCV3.1+Caffe安装

Ubuntu 16.04系统下CUDA7.5配置Caffe教程

Caffe在Ubuntu 14.04 64bit 下的安装

深度学习框架Caffe在Ubuntu下编译安装 

Caffe + Ubuntu 14.04 64bit + CUDA 6.5 配置说明 

Ubuntu 16.04上安装Caffe

Caffe配置简明教程 ( Ubuntu 14.04 / CUDA 7.5 / cuDNN 5.1 / OpenCV 3.1 ) 

Ubuntu 16.04上安装Caffe(CPU only) 

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/14180.html