一直想將DL用于自己目前研究的image retrieval中，實際上，本小子在之前的博文Deep Learning for Content-Based Image Retrieval關于用DL做檢索的paper也做了些調研。可以看出，雖然DL現在很火，但是將其用于image retrieval似乎還并不多。這連天正好忙里偷閑，在Ubuntu12.04中把caffe搗鼓了一番，成功，只能說配置起來真的很egg pain。下面是自己在配置過程中出現的一些問題，配置的時候自己特地做了筆記，便于后面查閱。

1、 CUDA自帶了顯卡驅動，安裝后圖形界面分辨率變模糊，NVIDIA圖形配置是出現:

You do not appear to be using the NVIDIA X driver. Please edit your X configuration file (just run nvidia-xconfig as root), and restart the X server

主要是由于沒激活安裝的顯卡:

I was also facing the same problem. Now that you asked it, I wanted to fix >in my computer as well. So here is how you do it.

EDIT: sudo apt-get install nvidia-current

sudo nvidia-xconfig. This will just create the file /etc/X11/xorg.conf. Next do

sudo software-properties-gtk

答案鏈接按照上面安裝后，重啟，完成激活。

2、/include/caffe/common.hpp:5:27: 致命錯誤： gflags/gflags.h：沒有那個文件或目錄編譯中斷。make: *** [.build_release/src/caffe/common.o] 錯誤。可以看出跟gflags有關，大概推測是gflags沒裝，于是按照教程把下面的都安裝了：

# 安裝glog/gflags/lmdb # glog wget https://google-glog.googlecode.com/files/glog-0.3.3.tar.gz tar zxvf glog-0.3.3.tar.gz cd glog-0.3.3 ./configure make && make install # gflags wget https://github.com/schuhschuh/gflags/archive/master.zip unzip master.zip cd gflags-master mkdir build && cd build export CXXFLAGS="-fPIC" && cmake .. && make VERBOSE=1 make && make install # lmdb git clone https://gitorious.org//mdb/mdb.git cd mdb/libraries/liblmdb make && make install

3、如果用make all編譯caffe時出現mkl錯誤：./include/caffe/util/mkl_alternate.hpp:6:17: 致命錯誤： mkl.h：沒有那個文件或目錄 編譯中斷。主要是因為MKL與CUDA的環境設置沒設置好。另外安裝MKL時最好選擇默認路徑：

/opt/intel/lib/intel64 /opt/intel/mkl/lib/intel64

4、出現：/usr/bin/ld: cannot find -lboost_system collect2: ld 返回 1make: *** [.build_release/lib/libcaffe.so] 錯誤。這個需要安裝libboost-dev,運行下面命令即可完成按照：

sudo apt-get install libboost-all-dev

安裝Caffe并測試。切換到Caffe的下載文件夾，然后執行：

$ cp Makefile.config.example Makefile.config

修改新生成的Makefile.config文件，修改“BLAS := mkl”，這個非常重要。

$ make clean $ make all $ make test $ make runtest

新建cuda.conf，并編輯之：

$ sudo touch cuda.conf $ sudo vim cuda.conf

在新建的cuda.conf中添加：

/usr/local/cuda/lib64 /lib

完成lib文件的鏈接操作，執行：

$ sudo ldconfig -v

5、When ./create_mnist.sh, fault: convert_mnist_data.bin: not found

這個問題，在caffe github上有人提出了issue,鏈接傳送門,按照答案說的，對于caffe，必須得在caffe的根目錄，所以根目錄運行腳本吧。

最后，如果沒用GPU的話，在examples/mnist/lenet_solver.prototxt最后一行修改GPU為CPU。

---

caffe python接口安裝

1、 如果沒有pip的話，先安裝pip。進入caffe python目錄，安裝所需要的依賴關系：

sudo pip install -r requirement.txt

用requirements.txt失敗，用 Anaconda安裝sudo pip install -r /path/to/caffe/python/requirements.txt在執行上述命令時， 會報錯導致不能完全安裝所有需要的包。 可以按照官方建議安裝anaconda包。 在anaconda官網下載.sh文件，執行，最后添加bin目錄到環境變量即可(在安裝的時候會詢問你時是否添加)。

注意：Anaconda安裝的庫并沒有在python的庫目錄中。

2、 錯誤：libm.so.6: GLIBC_2.15 not found, required by libopencv。。。將libm.so.6和libm.so重命名為別的即可,比如：

sudo mv libm.so.6 libm.so.6.backup sudo mv libm.so libm.so.backup

3、 你需要安裝ipython和ipython qtconsole。安裝完后可以用下面的腳本測試:

import sys sys.path.append('/home/yong/anaconda/lib/python2.7/site-packages') sys.path.append('/usr/lib/python2.7/dist-packages')import numpy as np import matplotlib.pyplot as plt %matplotlib inline# Make sure that caffe is on the python path: caffe_root = '../' # this file is expected to be in {caffe_root}/examplessys.path.insert(0, caffe_root + 'python')import caffeplt.rcParams['figure.figsize'] = (10, 10) plt.rcParams['image.interpolation'] = 'nearest' plt.rcParams['image.cmap'] = 'gray'

參考：

caffe官網

Ubuntu12.04上面用CPU編譯使用caffe（不完全安裝）

Caffe + Ubuntu 14.04 + CUDA 6.5 新手安裝配置指南

Caffe配置過程

DIY Deep Learning for Vision: a Hands-On Tutorial with Caffe

from:?http://yongyuan.name/blog/problems-when-configing-caffe.html

總結

以上是生活随笔為你收集整理的caffe配置中的一些问题的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。