Desktop Ubuntu 14.04LTS/16.04科学计算环境配置

计算机硬件配置

 

配置顺序

 

安装步骤：

1. 安装ubuntu14.04

使用ultraiso工具制作u盘启动，安装Ubuntu14.04LTS。120G固态硬盘分区方案

 

手动添加源

 

1. 安装显卡驱动nvidia-367

Ubuntu14.04默认使用Nouveau显卡驱动。由于linux系统对Navidia显卡的兼容性并不是特别好，所以选择使用闭源N卡官方驱动，在启动器搜索附加驱动程序。

在附加驱动面板中，选择NVIDIA binary driver(闭源驱动) 367，然后点击应用更改。Reboot后，驱动就安装成功了。

Terminal输入：sudo nvidia-smi查看显卡及驱动信息

也可以Terminal输入：nvidia-settings，在nvidia驱动管理器中查看

以上方法最为保险，在ubuntu14.04不会出现登录界面loop的问题。

 

一般说来ubuntu源里面提供的都不是包的最新版本，如果想安装最新版驱动可以去（http://www.nvidia.cn/Download/index.aspx?lang=cn）下载

 

附：网上有另一种方法安装驱动（但是在ubuntu16.04LTS按照此方法安装后出现登录界面loop问题）

参考：http://blog.csdn.net/solar_paper/article/details/52969212

 

首先cuda toolkit是什么？

官方网站上说：The NVIDIA? CUDA? Toolkit provides a comprehensive development environment for C and C++ developers building GPU-accelerated applications.

也就是说，CUDA Toolkit是一个提供C/C++接口使用GPU加速计算的工具包。要想使用NVIDIA GPU加速计算（GPU浮点运算能力比CPU高几十倍），必须安装CUDA Toolkit，当然前提是你的N卡是CUDA核心。（https://developer.nvidia.com/cuda-gpus 网站可以查看你的设备是否支持CUDA Toolkit）

比如我的显卡是NVIDIA GeForce GTX960，明显支持CUDA，计算性能5.2分。

安装：

1. 首先去（https://developer.nvidia.com/cuda-downloads ）下载安装包，推荐下载runfile安装

 

我下载的是CUDA Toolkit 8.0 : cuda_8.0.44_linux.run

 

2. 然后执行安装命令: sudo sh cuda_8.0.44_linux.run

[注意：执行此句会有一系列提示让你确认，但是注意，有个让你选择是否安装nvidia361驱动，Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 361.62?

一定要选择否。因为前面我们已经安装了更加新的nvidia 367，所以这里不要选择安装。其余的都直接默认或者选择是即可。]

 

3. 最后配置环境变量，输入如下命令打开profile

sudo gedit /etc/profile

在最后加入以下两行，保存并退出。

export PATH=/usr/local/cuda-8.0/bin:$PATH

export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH

使配置生效

source /etc/profile

或者

sudo ldconfig 也可以

 

4. 验证CUDA安装成功

Terminal 输入 nvcc –V 查看CUDA版本信息

 

什么是cuDNN？

官网说法：NVIDIA cuDNN is a GPU-accelerated library of primitives for deep neural networks.

即cuDNN是专门针对Deep Learning框架设计的一套GPU计算加速方案，目前支持的DL库包括Caffe，ConvNet, Torch7等。

安装：

1.首先下载cuDNN包（https://developer.nvidia.com/rdp/cudnn-download）

由于cuDNN源代码暂时未公开，下载需要确认适用CUDA Toolkit版本。我选择CuDNN v5 for CUDA 8.0。

 

2.下载完毕并解压后得到：

3.安装cuDNN

#只需要把头文件和动态库文件拷贝到系统中的CUDA Tookit安装目录的相应位置即可

cd /cuda

sudo cp ./lib64/* /usr/local/cuda/lib64/

sudo cp ./include/cudnn.h /usr/local/cuda/include/

 

1. 安装基本工具包

2. 右键打开终端

sudo apt-get install nautilus-open-terminal

1. git

sudo apt-get install git git-gui

1. 安装python基本科学计算包

2. 安装pip

sudo apt-get install python-pip

1. 科学计算包及其依赖项

$ sudo apt-get install python-numpy python-scipy python-matplotlib ipython ipython-notebook python-pandas python-sympy python-nose --fix-missing

 

安装指定版本的numpy可以去（https://sourceforge.net/projects/numpy/files/ ）下载源码包，然后执行指令：

sudo python setup.py install

1. 安装Qt4(c++) 和 PyQt4

Qt GUI框架

1. Qt4 c++库安装

1. Ubuntu下安装Qt

$ sudo apt-get install libqt4-dev libqt4-gui qt4-qtconfig libqt4-sql qt4-dev-tools qt4-doc qt4-demos qt4-designer –fix-missing

# libqt4-gui 安装出现错误 E: 无法定位软件包 libqt4-gui，可以去掉

# 这一步安装建议使用sudo aptitude install ...解决包间依赖问题

 

1. 安装连接MySQL的驱动程序 （可选）

$ sudo apt-get install libqt4-sql-mysql

1. 安装第三方的QWT库 （可选）

Qwt，全称是Qt Widgets for Technical Applications，是一个基于LGPL版权协议的开源项目， 可生成各种统计图。它为具有技术专业背景的程序提供GUI组件和一组实用类，其目标是以基于2D方式的窗体部件来显示数据， 数据源以数值，数组或一组浮点数等方式提供， 输出方式可以是Curves（曲线），Slider（滚动条），Dials（圆盘），Compasses（仪表盘）等等。该工具库基于Qt开发，所以也继承了Qt的跨平台特性。

$ sudo apt-get install libqwt5-qt4 libqwt5-qt4-dev

注：安装完这些后，打开Qt Designer，就会发现左边的Widget列表里面多了"Qwt Widget"这一组；

1. 安装集成开发环境QDevelop

这个肯定是要装的可以方便的开发编译调试Qt程序

$ sudo apt-get install qdevelop

 

附：当然也可以通过官网（http://download.qt.io/archive/qt/ ）下载源代码，编译安装。但做一般开发apt-get安装足够。

1. PyQt4安装

PyQt是Qt库的Python接口

$ sudo apt-get install libxext6 libxext-dev libqt4-dev libqt4-sql qt4-dev-tools qt4-doc qt4-designer qt4-qtconfig "python-qt4-*" python-qt4 --fix-missing

#绿色部分是Qt c++已安装的包

1. 安装wxWidgets(c++) 和 wxPython

2. wxWidgets(c++)

由于codeblocks的GUI界面使用的wxWidgets库所以要先安装这个库。尽量下载官方的最新稳定版本（官网http://www.wxwidgets.org/downloads/ 查看最新版本）

$ sudo apt-get install libwxbase2.8 libwxbase2.8-dev libwxgtk2.8-0 libwxgtk2.8-dev libgtk2.0 libgtk2.0-dev wx-common wx2.8-headers wx2.8-i18n wx2.8-examples wx2.8-doc –fix-missing

# 貌似2.8已经没有了

$ sudo apt-get install libwxbase3.0 libwxbase3.0-dev libwxgtk3.0 libwxgtk3.0-dev wx-common wx3.0-headers wx3.0-i18n wx3.0-examples wx3.0-doc --fix-missing

1. wxPython安装

$ apt-cache search wxpython

$ sudo apt-get install python-wxgtk2.8 python-wxtools wx2.8-i18n libwxgtk2.8-dev libgtk2.0-dev --fix-missing

#绿色部分是wxWidgets c++已安装的包

sudo apt-get install python-wxgtk3.0 python-wxtools --fix-missing

 

1. wxformbuilder (3.5)安装

wxformbuilder功能类似Qt Designer，均为可视化的窗口设计器，只是针对框架不同。

默认情况下，ubuntu 14.04/14.10 系统使用apt-get从系统的源或网易163的源默认安装的是libwxgtk2.8, wxformbuild3.0,安装之后是不能支持生成Python代码的，需要添加新的源才能解决此问题：

sudo add-apt-repository -y ppa:wxformbuilder/wxwidgets

sudo add-apt-repository -y ppa:wxformbuilder/release

sudo apt-get update

sudo apt-get install wxformbuilder

 

1. 安装wine

wine是一个在linux系统安装exe安装包的工具

$sudo apt-get install wine

#安装中途问你是否安装一个licence，选择OK即可

1. 安装集成开发环境

2. codeblocks

1. 安装基本编译环境

sudo apt-get install build-essential

sudo apt-get install gdb

1. 安装wxWidgets 2.8 GUI库（参考上文）
2. 安装codeblock

直接使用apt-get是不能安装codeblocks最新版本的，所以需要更新来源使用ppa安装

sudo add-apt-repository ppa:damien-moore/codeblocks-stable     #添加codeblocks的PPA源

sudo apt-get update                                         #跟新系统的源

sudo apt-get install codeblocks codeblocks-contrib                 #安装codeblocks

1. sublime

1. 官网下载deb安装包(http://www.sublimetext.com/ )
2. 然后使用命令sudo dpkg -i sublim.deb安装

   1. pycharm

3. 在官网下载pycharm的linux安装包(https://www.jetbrains.com/pycharm/download/#section=linux )
4. 解压安装包并cd 到../bin文件夹，执行pycharm.sh脚本
5. 制作桌面快捷方式

终端输入：$ sudo gedit /usr/share/applications/Pycharm.desktop #创建快捷方式文件

粘贴模板：

[Desktop Entry]

Type=Application

Name=Pycharm

GenericName=Pycharm3

Comment=Pycharm3:The Python IDE

Exec=sh /YOUR/PATH/TO/PYCHARM/bin/pycharm.sh

Icon=/YOUR/PATH/TO/PYCHARM/bin/pycharm.png

Terminal=pycharm

Categories=Pycharm;

 

专业版注册码    

 

1. matlab

1. 下载matlab安装包

从网盘上下载安装包以及Crack (https://pan.baidu.com/s/1gf9IeCN ), password: 4gj3

Crack中包含license和破解文件

1. 解压得到iso镜像,并挂载到linux

$ sudo mkdir /home/下载/temp_matlab (此文件夹用于临时存放挂载后的iso文件)

$ sudo mount -o loop /home/yangzheng/下载/Matlab/MATHWORKS_R2014A.iso /home/yangzheng/下载/temp_matlab (path为我们存放iso的路径)

1. 安装

$ cd /home/yangzheng/下载/temp_matlab

$ sudo ./install

选择不联网安装

安装路径使用默认路径，否则编译opencv，caffe时候找不到。

安装过程中使用序列号

12345-67890-12345-67890

1. 激活

安装完成之后选择Crack下的license_405329_R2014a.lic文件进行激活

1. 破解

由于/usr/local/MATLAB只有只读的权限, 所以先要将其权限修改为"可写"

$ sudo chmod -R a+w /usr/local/MATLAB

将Crack/Linux下的libmwservices.so 复制到 /usr/local/MATLAB/R2014a/bin/glnxa64

$ sudo cp /home/yangzheng/下载/Matlab/Crack/Linux/libmwservices.so /usr/local/MATLAB/R2014a/bin/glnxa64

将先前挂载的iso卸载

$ sudo umount /home/yangzheng/下载/temp_matlab

1. 启动matlab

$ sudo matlab

1. 创建桌面快捷方式类似Pycharm

我在Ubuntu下是用的默认安装的，路径为/usr/local/MATLAB/R2010b

$ sudo gedit /usr/share/applications/Matlab.desktop

写入以下内容

[Desktop Entry]
Type=Application
Name=Matlab
GenericName=Matlab 2010b
Comment=Matlab:The Language of Technical Computing
Exec=sh /usr/local/MATLAB/R2014a/bin/matlab -desktop
Icon=/usr/local/MATLAB/Matlab.png #图标图片需自行下载，拷贝到根目录下
Terminal=false
Categories=Development;Matlab;

图片

 

1. source insight

Source insight是一款windows下的工程源代码管理软件。非常好用，特别是在学习某些第三方库的源代码时，能够很方便的搜索和查看函数，对象等的实现代码。

 

1. 安装

1. 安装wine（参考前文）
2. 用wine安装Source Insight（InsightSetup.exe安装包 需要下载）

cd到安装包目录下在终端中输入以下命令：

$ wine ./InsightSetup.exe

1. 之后的安装过程与windows下一样，一直点next即可
2. 注册码：SI3US-361500-17409

 

1. 使用

1. 打开source insight，点击project->New project新建一个工程，如下图所示。

1. 给新建的工程添加一个名字，在此举个例子命名test。

1. 选中要添加的工程代码，点击browse选择工程所在的路径，点击OK。

1. 选择要添加代码的目录，点击add tree，然后会把文件都导入进去，完成以后点击close。工程新建完成。

 

1. 安装cmake, cmake-qt-gui

直接使用apt-get命令安装的cmake版本太低，在生成编译脚本是可能出现一些莫名其妙的问题。比如在ubuntu14.04下Configure opencv3.1.0就会一直定位不到python lib路径，导致python-opencv无法正常编译。所以添加ppa源安装最新版本的cmake。

sudo add-apt-repository ppa:george-edison55/cmake-3.x

sudo apt-get update

sudo apt-get install cmake cmake-gui

 

1. 安装boost

2. apt-get安装

也是最简单的：进入linux系统后，输入

$ sudo apt-cache search boost

你将看到很多文件信息，你会看到其中一个文件叫 libboost-dev, 直接安装此文件即可：

$ sudo apt-get install libboost-dev libboost-dbg libboost-all-dev

这样就安装成功了。这个速度很快，是因为直接拷贝了lib文件到系统。

可以使用本文最后代码测试安装成功与否。

直接apt-get安装版本为（1.54.0）

1. 编译安装

1. 首先下载boost库的源代码（www.boost.org）
2. 解压包

1. cd 到文件夹下，执行指令

$ ./bootstrap.sh #这个命令配好编译环境，为下一步编译做准备

1. 运行二步命令后得到一个文件，名字是bjam，运行这个文件：

$ ./bjam #这里需要十几分钟编译源文件，完成后就代表安装成功了。

1. 检验安装成功否：在linux下任意目录下创建test.cpp

运行命令:

$ g++ test.cpp -o test

$ ./test

得到输出结果为：123, 123.12

代表boost安装成功

 

注：编译安装有个问题是，环境变量的配置。如果配置不得当，可能使得caffe，或者其他依赖他的库在配置编译文件时找不到boost。所以简单使用的话经量使用apt-get安装即可。

 

1. 安装BLAS

什么事BLAS：BLAS,即基础线性代数子程序库，里面拥有大量已经编写好的关于线性代数运算的程序。全称Basic Linear Algebra Subprograms。这里可以选择（ATLAS，MKL或者OpenBLAS）

从性能上看：MKL > OpenBLAS > ATLAS

1. 安装MKL

2. 首先下载并安装英特尔? 数学内核库 Linux* 版MKL

下载链接是：https://software.intel.com/en-us/intel-education-offerings，可以下载Student版的，先申请，然后会立马收到一个邮件（里面有安装序列号），打开照着下载就行了。下载完之后，要把文件解压到home文件夹(或直接把tar.gz文件拷贝到home文件夹,为了节省空间，安装完记得把压缩文件给删除喔～)，或者其他的ext4的文件系统中。

1. 接下来是安装过程

$ tar zxvf cpp_studio_xe_2013_sp1_update3.tar.gz #如果你是直接拷贝压缩文件过来的

$ chmod a+x /home/username/cpp_studio_xe_2013_sp1_update3 -R

$ sudo ./install_GUI.sh

1. 配置环境变量

#新建intel_mkl.conf，并编辑

$ cd /etc/ld.so.conf.d

$ sudo touch intel_mkl.conf

$ sudo vi intel_mkl.conf

/opt/intel/lib/intel64

/opt/intel/mkl/lib/intel64

1. 安装该过程问题及解决方案

• 一个很2的问题，在启动linux的时候，手贱点了一下系统自动更新，可能正好更新到某个关键组件，授权的时候，始终无效，这个大概解决就是记得更新完，重启，然后关机，我弄的时候，重启也没用。
• 记得把解压后的studio_xe软件包丢到home下，或者干脆直接在home里解压，注意这里它是保存在home/username, 这里的username是你的用户名。这一步主要是，让安装程序处于linux的文件系统中，为了修改权限做保证。
• 使用chmod对文件夹及其子文件进行授权，安装程序是install_GUI.sh，它调用了install.sh，接下来又调用了一连串的文件，这些文件都必须具有可执行的权限，所以，你懂了~照着上面的步骤就好了
• 安装的时候，可以安装到root权限下，或者sudo权限，我是装在root权限下，避免麻烦，这时就必须确保已经为root设置过密码了，然后会让你输入你申请的时候发给你的序列号。没设置的话，执行：
  $ sudo passwd root

1. 安装OpenBLAS

$ sudo apt-get install libopenblas-dev

附：也可以到官网下载源码编译安装

1. 安装ATLAS

$ sudo apt-get install libatlas-base-dev

 

1. 安装opencv

opencv是机器视觉库。要启用CUDA加速模块，Qt支持模块，Matlab支持模块必须手动编译源代码。

1. 安装opencv3.1.0

2. 安装依赖

# 官网列出的依赖库

[compiler] $ sudo apt-get install build-essential

[required] $ sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev

[optional] $ sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev

# 还有一些系统可能缺失的包，否则编译时可能出错，或者编译完成后程序启动出错。绿色部分是安装Qt4已在前面安装完成，可以去掉。

$ sudo apt-get install libopencv-dev libdc1394-22 libdc1394-22-dev yasm libpng12-dev libtiff5-dev libjasper-dev libavcodec-dev libavformat-dev libswscale-dev libxine2-dev libgstreamer0.10-dev libgstreamer-plugins-base0.10-dev libv4l-dev libfaac-dev libmp3lame-dev libopencore-amrnb-dev libopencore-amrwb-dev libtheora-dev libvorbis-dev libxvidcore-dev x264 v4l-utils

 

1. Install ffmpeg

FFmpeg是一套可以用来记录、转换数字音频、视频，并能将其转化为流的开源计算机程序。要处理视频流则可以选装，并在cmake中配置。

$ sudo add-apt-repository ppa:mc3man/trusty-media

$ sudo apt-get update

$ sudo apt-get install ffmpeg gstreamer

 

1. 下载源代码

   1. 首先在（https://github.com/opencv ）网站下载opencv3.1.0源码以及opencv_contrib扩展模块。opencv从2.x到3.x是一个很大的转变，对于很多功能不完善、性能不稳定的模块，都被方法了extra_modules（扩展模块）里面了，而opencv_contrib就是这样一个扩展模块。
   2. 为了解决opencv3.1.0 cmake 过程中出现的ippicv_linux_20151201.tgz下载失败导致的错误，需要先下载ippicv_linux_20151201.tgz文件然后放入opencv源文件的/home/yangzheng/myLib/opencv-3.1.0/opencv/sources/3rdparty/ippicv/downloads/linux-808b791a6eac9ed78d32a7666804320e文件夹中替换原有的.tgz文件
   3. 解压下载的源代码，如下

1. 编译配置

   1. 同样打开cmake，配置编译的属性，为了加入扩展模块，需要在OPENCV_EXTRA_MODUALES_PATH选择扩展模块的路径如：/home/yangzheng/myLib/opencv-3.1.0/opencv_contrib/modules（注意：需要精确到modules文件夹）

1. 需要注意的是，如果希望opencv使用Qt gui则需要勾选

1. 需要使用CUDA加速运算（重要）

首先要启用CUDA加速必须勾选WITH_CUDA标志

注：BUILD_CUDA_STUBS不能勾选，没有cuda核心又需要编译的人才需要勾选。

注：主要是看cmake能不能自动搜索到CUDA的include文件和libs文件路径。如果CUDA Toolkit安装没有问题应该是能够自动识别的。

1. 启用BLAS加速运算

注：需要使用CUBLAS则需要勾选WITH_CUBLAS，需要使用opencv dnn且需要BLAS加速则要勾选opencv_dnn_BLAS

1. 为了编译python2.7接口要确保以下选项正确

1. 产生Makefile，编译源文件，安装opencv

编译配置选择完毕后，点击Configure完成配置，没报错的话点击Generate按钮在build文件夹产生Makefile文件。

 

编译源文件：

$ cd YOUR/PATH/build

$ make -j8 #opencv 要编译的源文件太多，时间大概30分钟

$ sudo make install

1. 配置opencv.conf，将opencv加入环境变量：

$ sudo gedit /etc/ld.so.conf.d/opencv.conf

写入/usr/local/lib

更新库目录

$ sudo ldconfig

 

下面两个添加环境变量

打开文件profile

$ sudo gedit /etc/profile

加入下面两行：

export PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib

1. 安装过程错误及解决

1. 找不到 -lippicv错误解决

(ubuntu 16.04 LTS和ubuntu 14.04 LTS 安装opencv-3.1.0)

按照这篇文章安装http://blog.csdn.net/dengshuai_super/article/details/51394118 出现了下面的错误.

 

1. 解决方案一

https://github.com/opencv/opencv/issues/5852这篇文章中也遇到了这个错误. 可以在cmake时加上"cmake -DINSTALL_CREATE_DISTRIB=ON" 这句,就不会有这个错误了.
可以完整参照http://blog.csdn.net/frosero/article/details/50742400这篇文章安装.
总结安装步骤:
ubuntu16.04 安装opencv3.1.0

编译之前勾选此选项

1. 解决方案二（推荐）

如果不想重新安装可以用此方案。在终端输入

使用 pkg-config 的 - -cflags 参数可以给出在编译时所需要的选项，而 - -libs 参数可以给出连接时的选项。

可以看到：由于使用了 pkg-config 工具来获得库的选项，所以不论库安装在什么目录下，都可以使用相同的编译和连接命令，带来了编译和连接界面的统一。

使用 pkg-config 工具提取库的编译和连接参数有两个基本的前提：

库本身在安装的时候必须提供一个相应的 .pc 文件(不这样做的库说明不支持 pkg-config 工具的使用)。

pkg-config 必须知道要到哪里去寻找此 .pc 文件。

GTK+ 及其依赖库支持使用 pkg-config 工具，所以剩下的问题就是如何告诉 pkg-config 到哪里去寻找库对应的 .pc 文件，这也是通过设置搜索路径来解决的。

对于支持 pkg-config 工具的 GTK+ 及其依赖库来说，库的头文件的搜索路径的设置变成了对 .pc 文件搜索路径的设置。.pc 文件的搜索路径是通过环境变量 PKG_CONFIG_PATH 来设置的，pkg-config 将按照设置路径的先后顺序进行搜索，直到找到指定的 .pc 文件为止。

因此安装时在/etc/profile 中添加

export PKG_CONFIG_PATH=/usr/local/lib/pkgconfig:$PKG_CONFIG_PATH

是为了告诉pkg-config，opencv库指定的.pc文件在/usr/local/lib/pkgconfig这个路径下。也就是opencv.pc这个文件，内容如下：

（把opencv.pc备份一下）可以看到库里面有-lippicv这个选项，把-lippicv删掉即可。

 

1. 解决方案三

从opencv.pc中可以看出，pkg-config加载库的路径是/usr/local/lib,我们去这这个路径下看看，发现没有-lippicv对应的库，别的选项都有对应的库，然后我们把-lippicv对应的库（libippicv.a）放到这个路径下就好啦了。

我的liboppicv.a在/home/ds/opencv-3.1.0/3rdparty/ippicv/unpack/ippicv_lnx/lib/intel64这个路径下。你的也在你自己opencv文件夹的对应路径下。

先cd 到上面这个路径下，然后cp liboppicv.a /usr/local/lib 将这个库文件复制到/usr/local/lib下就好了。

 

1. Ubuntu14.04下cmake不产生python-opencv编译文件的问题：

需要升级cmake（参看前文）

另外cmake在configure的时候提示no modular named numpy主要是没有安装python3.0的numpy包原因，可以忽略

 

2)执行sudo make时，可能出现 opencv_cudalegacy编译失败

make[2]: *** [modules/cudalegacy/CMakeFiles/opencv_cudalegacy.dir/src/graphcuts.cpp.o] Error 1

make[1]: *** [modules/cudalegacy/CMakeFiles/opencv_cudalegacy.dir/all] Error 2

make: *** [all] Error 2的错误。

那是因为 cuda-8.0与OpenCV 3.1.0发生了冲突。解决方法：修改openCV 3.1.0源码，使其兼容cuda-8.0

$ sudo vi opencv-3.1.0/modules/cudalegacy/src/graphcuts.cpp

将第四十五行位置的

#if !defined (HAVE_CUDA) || defined (CUDA_DISABLER)

改为

#if !defined(HAVE_CUDA)||defined(CUDA_DISABLER)||(CUDART_VERSION>=8000)

然后重新执行

$ sudo make -j4 #-j4为开四个线程，加快编译速度

 

 

1. 安装PyCUDA

什么是PyCUDA: PyCUDA lets you access Nvidia‘s CUDA parallel computation API from Python. CUDA Toolkit的Python接口。安装2016.2.1版本

1. Install gcc >= 4.3

$ sudo apt-get install build-essential gcc

1. Install Boost C++ libraries

$ sudo apt-get install libboost-all-dev

1. Install numpy

$ sudo apt-get install python-numpy –y

1. Install other necessary libraries:

$ sudo apt-get install build-essential python-dev python-setuptools libboost-python-dev libboost-thread-dev –y

1. Download PyCUDA and unpack it:

(https://pypi.python.org/pypi/pycuda )

$ tar xzvf pycuda-VERSION.tar.gz

1. Configure, make and install PyCUDA:

$ cd pycuda-VERSION

$ ./configure.py --cuda-root=/usr/local/cuda --cudadrv-lib-dir=/usr/lib --boost-inc-dir=/usr/include --boost-lib-dir=/usr/lib --boost-python-libname=boost_python-py27 --boost-thread-libname=boost_thread

$ make -j 4

$ sudo python setup.py install

$ sudo pip install .

1. 安装theano

2. 安装gfortran, numpy, scipy, sklearn, blas, atlas等包

# 安装gfortran

$ sudo apt-get install gfortran

 

# 安装blas，Ubuntu下对应的是libopenblas，其它操作系统可能需要安装其它版本的blas——这是个OS相关的。

$ sudo apt-get install libopenblas-dev

 

# 安装lapack，Ubuntu下对应的是liblapack-dev，和OS相关。

$ sudo apt-get install liblapack-dev

 

# 安装atlas，Ubuntu下对应的是libatlas-base-dev，和OS相关。

$ sudo apt-get install libatlas-base-dev

 

#安装 nose

$ sudo apt-get install python-nose

 

# 安装pip

$ sudo apt-get install python-pip

$ sudo apt-get install python-dev

$ sudo apt-get install g++

$ sudo apt-get install git

 

1. 安装numpy和scipy, scikit-learn包

$ sudo apt-get install python-numpy

$ sudo apt-get install python-scipy

$ sudo apt-get install python-sklearn

#安装成功测试：

$ python -c "import numpy;numpy.test()"

$ python -c "import scipy;scipy.test()"

 

1. 安装pyCUDA

参考前文

1. 安装Theano

# 安装Theano

sudo pip install Theano

或者使用pycharm的包管理工具指定安装，由于之后我们要安装Lasagne-0.2.dev1，要求Theano==0.8.0

所以指定安装

安装完毕之后运行：

$ python "import theano;theano.test()"

#运行正常则说明theano安装正确，注theano.test()仅在使用CPU时有效

另外如果numpy版本过高或过低都会导致一个numpy init失败的动态错误。我安装的theano-0.8.0，测试的结果来看numpy- 1.11.1没出错，不过由于我的PyCUDA版本过高提示警告：

UserWarning: Your CuDNN version is more recent then Theano. If you see problems, try updating Theano or downgrading CuDNN to version 4.

1. 配置Theano

?    在主目录下新建.theanorc文件

cd

gedit .theanorc

?    在.theanorc中输入下面的内容

[cuda]

root=/usr/local/cuda

[global]

floatX = float32

device = gpu0 #表示使用GPU加速计算

[nvcc]

fastmath = True

[mode]=FAST_RUN

 

1. 测试Theano是否在使用GPU

?将下列python代码复制到useGPU.py，并运行。

 

?假定上面已经设置文件.theanorc，运行命令如下所示：

python useGPU.py

1. 解决cuda_ndarray.cu错误

• 如果出现错误：ERROR (theano.sandbox.cuda): Failed to compile cuda_ndarray.cu: libcublas.so.6.5 cannot open shared object file: No such file or directory，需要运行以下命令：

$ sudo ldconfig /usr/local/cuda/lib64

注，以上是零时办法，每次重启计算机后都会再次出现，以下是永久解决方案：

ldconfig命令的功能是动态的链接一个库，就是说动态的将库的地址加入到系统的某个缓存以便当使用库的时候系统能够找到其位置。实际上为了永久的实现这个功能，我们可以在 /etc/ld.so.conf.d/目录下新建theano.conf 文件,并在中添加 /usr/local/cuda/lib64 这一句，这样就永久的在系统中加入了cuda库的地址。

 

1. 安装lasagne

lasagne是python开源神经网络的包。安装

1. Requirments:

 

1. 安装

#选择安装稳定版

$ pip install Lasagne==0.1

 

开发者方式安装最新版0.2

git clone https://github.com/Lasagne/Lasagne.git

cd Lasagne

pip install -r requirements.txt     #实际上就是需要安装theano 0.8.0

pip install --editable .

 

1. 安装caffe

caffe是一个c++的深度学习框架。

1. caffe框架安装：

2. 安装依赖

1. 安装依赖包

#绿色部分前面已经装过

$ sudo apt-get install build-essential

$ sudo apt-get install libprotobuf-dev protobuf-compiler libsnappy-dev libopencv-dev libboost-all-dev

$ sudo apt-get install liblmdb-dev libleveldb-dev libhdf5-serial-dev libgflags-dev libgoogle-glog-dev

 

1. 要使用GPU则需要安装显卡驱动和CUDA Toolkit，另外还要安装cuDNN

   （参考前文）

   已安装nvidia-367驱动和CUDA Toolkit-8.0及对应cuDNN

2. 安装BLAS（基本线性代数库）

   （参考前文）

   已安装 OpenBLAS 和 ATLAS

3. 安装opencv

   （参考前文）

   已安装opencv-3.1.0

4. 安装boost >= 1.55

   1. 下载caffe源码

类似opencv，要启用caffe的功能必须手动编译源码安装。

下载地址：https://github.com/BVLC/caffe

或者执行Git命令：

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

 

1. 编译caffe

2. 切换到Caffe所在目录

$ cd YOUR/PATH/caffe

$ cp Makefile.config.example Makefile.config

1. 配置Makefile.config

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）

    

1. Make Caffe

 

1. 编译caffe python接口

   1. Caffe拥有python\C++\shell接口，在Caffe使用python特别方便，在实例中都有接口的说明。
      1. 确保pip已经安装

$ sudo apt-get install python-pip

1. 在/caffe/python新建shell文件并执行安装依赖

for req in $(cat requirements.txt); do pip install $req; done

1. 编译python接口

make pycaffe

当出现下面错误的时候修改

fatal error: numpy/arrayobject.h: No such file or directory.

 

1. 运行python结构

 

1. 若想系统自动加载caffe python库，则需要在bashrc中配置caffe python的路径

 

1. 在Mnist运行LeNet

   1. 获取数据源

./data/mnist/get_mnist.sh

./examples/mnist/create_mnist.sh

1. 因为是CPU运行，所以修改在examples文件下的Mnist下的lenet_solver.prototxt中的solver_mode:CPU

solver_mode: CPU

1. 训练模型

./examples/mnist/train_lenet.sh

 

1. 安装TensorFlow

2. pip安装

# Ubuntu/Linux 64-bit, CPU only, Python 2.7
$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.1-cp27-none-linux_x86_64.whl

# Ubuntu/Linux 64-bit, GPU enabled, Python 2.7

# Requires CUDA toolkit 8.0 and CuDNN v5. For other versions, see "Installing from sources" below.
$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-0.12.1-cp27-none-linux_x86_64.whl

# 安装(Python 2.7)

$ sudo pip install --upgrade $TF_BINARY_URL

 

配置cuda环境变量：

 

成功启用cuda显示：

 

 

错误：

Loaded CuDNN library: 5005 (compatibility version 5000) but source was compiled with library 5103 (compatibility version 5100)

这个错误提示cuDNN版本低

官方说是使用cuda8.0+cudnnV5,实际是使用cuda7.5+cudnnV5.1才行