论文复现前奏篇：漫漫长路之Caffe-C3D

2019 年 10 月 6 日
筆記

漫漫长路之Caffe-C3D

0.导语1.Caffe源码编译1.0 NVIDIA与Anaconda31.1 GCC与G++降级1.2 cuda 9.01.3 cuDNN1.4 caffe-gpu源码编译1.5 python库安装1.6 编译1.7 环境变量1.8 导包测试2.caffe-cifar10测试2.1 获取数据集2.2 转换数据集格式2.3 训练及测试3.Caffe-C3D3.1 下载及配置3.2 安装库与编译4.C3D-cifar10测试4.1 获取数据集4.2 转换数据集格式4.3 训练及测试

0.导语

我终于复活了，哈哈，好几天没更文了，这次更文内容为：Caffe源码编译及Caffe-C3D搭建及测试！

由于需要复现与C3D相关的论文，所以需要配置Caffe及C3D。这几天折腾了好久，终于解决了。发现了最大的bug在于我没有把cuda装好，痛苦流涕，随后，两次按照网上教程将系统崩溃了，只有重新来过，在然后，就直接看官方的issue，结果搞成功了，于是写出这篇文章，希望对大家有点帮助，欢迎转发，点赞等！

学习本文，需要有足够的毅力与动手能力，否则不要尝试，因为你会碰到各种问题，同时你也可以学到更多内容！学习指导是动起手来！

1.Caffe源码编译

1.0 NVIDIA与Anaconda3

关于NVIDIA显卡驱动与Anaconda3安装，见之前的一篇文章：Ubuntu18.04完美搭建Tensorflow-GPU1.8

1.1 GCC与G++降级

我使用的是Ubuntu18.04系统，该系统默认装的gcc为7.3，而cuda支持的版本是6.0以下，所以我们需要降级，这里选择的版本为gcc5.5。

安装gcc5：

sudo apt-get install gcc-5 g++-5

降级方法：

sudo mv gcc gcc.bak  sudo ln -s gcc-5 gcc  sudo mv g++ g++.bak  sudo ln -s g++-5 g++

测试版本：

gcc --version  g++ --version

输出显示5.5即可！

1.2 cuda 9.0

之前安装的cuda是通过xxx.run安装，并且没有安装补丁，所以先将原先的卸载，卸载方法：

sudo /usr/local/cuda-9.0/bin/uninstall_cuda_9.0.pl

然后下载deb与补丁，如下图：

一定要全部下载并安装，不要只下载第一个，不然后面各种bug!

sudo dpkg -i cuda-repo-ubuntu1704-9-0-local_9.0.176-1_amd64.deb  sudo apt-key add /var/cuda-repo-9-0-local/7fa2af80.pub  sudo dpkg -i cuda-repo-ubuntu1704-9-0-local-cublas-performance-update_1.0-1_amd64.deb  sudo dpkg -i cuda-repo-ubuntu1704-9-0-local-cublas-performance-update-2_1.0-1_amd64.deb  sudo dpkg -i cuda-repo-ubuntu1704-9-0-local-cublas-performance-update-3_1.0-1_amd64.deb  sudo dpkg -i cuda-repo-ubuntu1704-9-0-176-local-patch-4_1.0-1_amd64.deb  sudo apt-get update

sudo apt install cuda

问题：

解决：

sudo apt install aptitude  sudo aptitude install cuda

sudo gedit ~/.bashrc

export CUDA_HOME=/usr/local/cuda-9.0  export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64:/usr/local/cuda-9.0/extras/CUPTI/lib64:$LD_LIBRARY_PATHs  export PATH=/usr/local/cuda-9.0/bin:$PATH  export LD_LIBRARY_PATH="/usr/local/cuda-9.0/lib64:/usr/local/cuda-9.0/extras/CUPTI/lib64:/usr/local/cuda-9.0/lib64:/usr/local/cuda-9.0/lib64"

生效：

source ~/.bashrc

1.3 cuDNN

https://developer.nvidia.com/rdp/cudnn-archive

选择下载最新版本cuDNN v7.4.1 for CUDN 9.0。

解压：

tar -zxvf xxx.tgz

解压后为一个cuda目录：cuda

终端输入：

sudo cp cuda/include/cudnn.h   /usr/local/cuda/include  sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64  sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

完成cuDNN配置！

终端输入：

nvcc -V

若显示如下信息：

则成功！

1.4 caffe-gpu源码编译

caffe-cuda安装：

sudo apt install caffe-cuda

依赖库安装：

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev  sudo apt-get install libhdf5-serial-dev protobuf-compiler  sudo apt-get install --no-install-recommends libboost-all-dev  sudo apt-get install libopenblas-dev liblapack-dev libatlas-base-dev  sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

clone源码：

git clone https://github.com/BVLC/caffe.git

配置文件：

cd caffe  sudo cp Makefile.config.example Makefile.config  sudo vim Makefile.config

如下配置Makefile.config：

（1）CUDA配置

找到CUDA_ARCH，删除前两行(含compute_20的两行)！

（2）去掉注释：

USE_CUDNN:= 1 # CUDNN配置  OPENCV_VERSION := 3 # opencv版本  WITH_PYTHON_LAYER := 1 # python编写layer配置

（3）python配置

关闭默认的python2配置，也就是添加#号即可!

将python环境更换为anaconda3环境：

ANACONDA_HOME := $(HOME)/anaconda3  PYTHON_INCLUDE := $(ANACONDA_HOME)/include            $(ANACONDA_HOME)/include/python3.6m            $(ANACONDA_HOME)/lib/python3.6/site-packages/numpy/core/include

修改lib目录，原PYTHON_LIB注释，打开anaconda的PYTHON_LIB，如下所示：

# PYTHON_LIB := /usr/lib  PYTHON_LIB := $(ANACONDA_HOME)/lib

（4）修改

找到INCLUDE_DIRS与LIBRARY_DIRS修改为下面配置项：

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

如下配置Makefile：

首先打开该配置文件：

sudo vim Makefile

（1）修改python版本

PYTHON_LIBRARIES ?= boost_python python2.7  修改为：  PYTHON_LIBRARIES ?= boost_python-py36 python3.6m

（2）修改NVCCFLAGS

NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC $(COMMON_FLAGS)  修改为：  NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)

（3）修改LIBRARIES

将：  LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5  改为：  LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial

1.5 python库安装

进入python文件夹

pip install --upgrade python-dateutil  for req in $(cat requirements.txt); do pip install $req; done

问题

解决

修改requirement.txt

sudo vim requirement

1.6 编译

进入caffe根目录：

sudo make clean  sudo make all -j16

-j16表示使用16核处理器执行当前指令。

test：

sudo make test -j16

runtest：

sudo make runtest -j16

配置pycaffe：

sudo make pycaffe -j16         //配置pycaffe

1.7 环境变量

环境变量配置：

vim ~/.bashrc

尾部添加：

这里填写你的caffe下面的python目录

export PYTHONPATH=~/caffe/python:$PYTHONPATH

使环境变量生效：

source ~/.bashrc

1.8 导包测试

输入python进入python环境，然后继续输入

import caffe

报错：

解决：

解决方法，可通过输入：

pip install --upgrade python-dateutil

2.caffe-cifar10测试

在上述源码编译caffe后，对数据集cifar10做测试。

2.1 获取数据集

进入caffe根目录，直接运行下面脚本：

./data/cifar10/get_cifar10.sh

该脚本下载数据集比较慢，可以通过其他方式下载数据集后，直接解压数据集到cifar10文件夹下即可！注：解压是将文件夹下所有文件复制到cifar10目录下！通过这样操作可以不用执行这个脚本，当然也就是这个脚本的作用！

2.2 转换数据集格式

./examples/cifar10/create_cifar10.sh

运行后报错：Cannot create Cublas handle. Cublas won't be available.

解决：

sudo rm -rf ~/.nv/

2.3 训练及测试

./examples/cifar10/train_quick.sh

最后，在测试集上的精度为75%左右！

3.Caffe-C3D

3.1 下载及配置

下载：

git clone https://github.com/facebook/C3D.git

配置：

还是将Makefile.config.example复制为Makefile.config，并配置Makefile.config与Makefile!

cd caffe  sudo cp Makefile.config.example Makefile.config  sudo vim Makefile.config

（1）配置Makefile.config

# CUDA_ARCH修改(去掉前两行)  CUDA_ARCH := -gencode arch=compute_30,code=sm_30           -gencode arch=compute_35,code=sm_35           -gencode=arch=compute_50,code=sm_50           #-gencode=arch=compute_50,code=compute_50  # opencv配置  OPENCV_VERSION := 3  # open for OpenBlas  BLAS := open  # anaconda环境修改  ANACONDA_HOME := $(HOME)/anaconda3  PYTHON_INCLUDE := $(ANACONDA_HOME)/include            $(ANACONDA_HOME)/include/python3.6m            $(ANACONDA_HOME)/lib/python3.6/site-packages/numpy/core/include  PYTHON_LIB := $(ANACONDA_HOME)/lib    # INCLUDE与LIBRARY修改  INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial  LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial

（2）Makefile

PYTHON_LIBRARIES ?= boost_python-py36 python3.6m

3.2 安装库与编译

库安装：

cd python/  pip install -r requirements.txt

编译：

sudo make clean  sudo make -j8

4.C3D-cifar10测试

4.1 获取数据集

进入数据集目录：

cd 你的C3D路径/C3D-V1.0/data/cifar10/

运行脚本：

./get_cifar10.sh

这个下载数据集比较慢，具体可以参考上面的方法手动来！

4.2 转换数据集格式

进入脚本目录：

cd 你的C3D路径/C3D-V1.0/examples/cifar10/

运行脚本：

./create_cifar10.sh

报错：

解决：

（1）编辑bashrc

sudo vim ~/.bashrc

（2）尾部添加：

export LD_LIBRARY_PATH="/usr/local/cuda/lib64"  export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/home/light/anaconda3/lib"

（3）生效：

source ~/.bashrc

重新运行：

4.3 训练及测试

./train_quick.sh

论文复现前奏篇：漫漫长路之Caffe-C3D

漫漫长路之Caffe-C3D

0.导语

1.Caffe源码编译

1.0 NVIDIA与Anaconda3

1.1 GCC与G++降级

1.2 cuda 9.0

1.3 cuDNN

1.4 caffe-gpu源码编译

1.5 python库安装

1.6 编译

1.7 环境变量

1.8 导包测试

2.caffe-cifar10测试

2.1 获取数据集

2.2 转换数据集格式

2.3 训练及测试

3.Caffe-C3D

3.1 下载及配置

3.2 安装库与编译

4.C3D-cifar10测试

4.1 获取数据集

4.2 转换数据集格式

4.3 训练及测试

VirMach 便宜 VPS

QNews

论文复现前奏篇：漫漫长路之Caffe-C3D

漫漫长路之Caffe-C3D

0.导语

1.Caffe源码编译

1.0 NVIDIA与Anaconda3

1.1 GCC与G++降级

1.2 cuda 9.0

1.3 cuDNN

1.4 caffe-gpu源码编译

1.5 python库安装

1.6 编译

1.7 环境变量

1.8 导包测试

2.caffe-cifar10测试

2.1 获取数据集

2.2 转换数据集格式

2.3 训练及测试

3.Caffe-C3D

3.1 下载及配置

3.2 安装库与编译

4.C3D-cifar10测试

4.1 获取数据集

4.2 转换数据集格式

4.3 训练及测试

分享此文：

Related Posts

spring源码阅读笔记09：循环依赖

性能测试之数据库监控分析工具PMM

优秀的数据分析师应该具备哪些技能和特质？

LeetCode攀登之旅(5)

VirMach 便宜 VPS

QNews

熱門文章

熱門搜尋