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1：2*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)