基本依赖项：
$sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler $sudo apt-get install --no-install-recommends libboost-all-dev
如果出现问题，可以先执行
$sudo apt-get update然后再次尝试。
CUDA9.1安装：
NVIDIA驱动安装:
安装CUDA之前需要先根据显卡下载驱动，注意，CUDA9.1要求驱动版本为R390,我使用的显卡是NVIDIA GEFORCE GTX 980，去NVIDIA官网下载驱动：
390.42版本的驱动，安装之后会出现分辨率自动设为大概800x600，无法调整的问题，最终选择使用390.25驱动NVIDIA-Linux-x86_64-390.25.run
首先将系统默认驱动nouveau加入黑名单：
$sudo gedit /etc/modprobe.d/blacklist.conf
gedit打开blacklist.conf后在最后一行添加以下然后保存：
$sudo update-initramfs -u
然后重启电脑：
$shutdown -r now
开机后，按ctrl + alt + f1 进入纯命令行界面，然后输入以下关闭桌面显示环境管理器：
$sudo service lightdm stop
进入到你的驱动下载路径，安装驱动：
$sudo chomod +x NVIDIA-Linux-x86_64-390.25.run
$sudo ./NVIDIA-Linux-x86_64-390.25.run -no-x-check -no-nouveau-check -no-opengl-files
按提示一步一步安装，注意其中有一步询问是否更改x-config文件，选择yes.
安装结束后,输入如下命令检验：
$sudo nvidia-smi
如果显示当前GPU的驱动等信息，则驱动安装成功。
CUDA安装：
根据我的系统，按如上做了选择，我选择runfile（local）进行安装。在下载.run文件时，最开始可能是因为网络原因，导致一直.run文件下载完成但是大小都不对，导致后面的安装无法正常进行，所以读者在这一步时一定要看好自己下载的文件的大小是否正确。
然后按上面所说，进入你的.run文件的下载路径，输入以下指令：
$sudo sh cuda_9.1.85_387.26_linux.run
然后按提示来进行安装，以下是我的安装界面和选择：
因为我们之前已经安装过驱动，所以在询问是否安装CUDA自带驱动时选择no
以上时安装完成界面给的一些提示，其中要求我们做一些额外的设置path等工作：
$sudo gedit ~/.bashrc
在.bashrc文件最后添加：
# for cuda install
export PATH=/usr/local/cuda-9.1/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-9.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
执行命令：
sudo gedit /etc/profile
在profile文件最后添加：
# for cuda install PATH=/usr/local/cuda-9.1/bin:$PATH export PATH
然后执行：
$source /etc/profile
$sudo gedit /etc/ld.so.conf.d/cuda.conf
在cuda.conf文件最后添加：
/usr/local/cuda-9.1/lib64
执行命令使生效
$sudo ldconfig
测试CUDA的samples:
$cd /usr/local/cuda-9.1/samples/1_Utilities/deviceQuery
$sudo make
$sudo ./deviceQuery看到一些关于GPU的信息，则CUDA安装成功。
cuDNN 安装：
cuDNN官网https://developer.nvidia.com/cudnn，cuDNN（CUDA Deep Neural Network）相比标准的CUDA,它在一些常用的神经网络操作上进行了性能的优化，比如卷积，pooling,归一化，以及激活层等等。
下载前需要先进行注册登录（可能需要翻墙不然总是会卡在登录界面），然后进入下载界面：
基于我的系统是Ubuntu16.04,所以选择红框内的三个deb文件进行安装，首先进入你的deb文件下载目录：
安装runtime library:
$sudo dpkg -i libcudnn7_7.0.3.11-1+cuda9.0_amd64.deb
安装developer library:
$sudo dpkg -i libcudnn7-dev_7.0.3.11-1+cuda9.0_amd64.deb
安装code examples 和 user guide:
$sudo dpkg -i libcudnn7-doc_7.0.3.11-1+cuda9.0_amd64.deb
然后我们进行测试cuDNN是否正确安装，编译/usr/src/cudnn_samples_v7路径下的mnistCUDNN示例:
$cp -r /usr/src/cudnn_samples_v7/ $HOME $cd $HOME/cudnn_samples_v7/mnistCUDNN $make clean && make $./mnistCUDNN
如果cuDNN安装成功你会看到 Test passed! 字样。
使用cuDNN: 在编译的时候在你的Makefile.config文件中设置USE_CUDNN := 1
BLAS安装:
BLAS(Basic Linear Algebra Subprograms)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。作为caffe的后端以来库使用。
BLAS有三种实现可供选择，ATLAS,Intel MKL,OpenBLAS这里我们选择免费的而且安装比较简单的ATLAS，在bash下执行：
$sudo apt-get install libatlas-base-dev
即完成安装，在使用时，需在你的Makefile.config文件中设置 BLAS := open
openCV3.4.1安装：
基本依赖：
[compiler]$ 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
下载openCV3.4.1源代码，解压到一个你的目录下，以下用<opencv_dir>代表，进入<opencv_dir>目录下：
执行以下命令，用cmake进行编译：
$rm CMakeCache.txt $mkdir build $cd build $cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..
一定要在cmake编译之前移除CMakeCache.txt文件，否则会报错FATAL: In-source builds are not allowed.
进入你的<opencv_dir>/build目录下执行：
$make -j7 # runs 7 jobs in parallel
$sudo make install
openCV安装完成！
安装python-opencv
$sudo apt-get install opencv-python $sudo apt-get install python-numpy
这样就可以在python中直接import了
安装Caffe:
从github上下载caffe：
$git clone https://github.com/BVLC/caffe.git
执行以下命令利用Makefile.config.example生成Makefile.config文件，这样比较好的地方就是，即使你后面修改Makefile.config文件改错了，也可以删除掉，重新再copy一份出来。
$cp Makefile.config.example Makefile.config
修改Makefile.config文件（根据技术选型和系统硬件）：
- 去掉USE_CUDNN := 1 前面的注释
- 去掉USE_OPENCV := 0 前面的注释，并将0修改为1
- 去掉OPENCV_VERSION := 3 前面的注释
- 去掉CUSTOM_CXX := g++ 前面的注释
- 在CUDA_ARCH := 后前两行即有*_20和*_21的两行前面添加#最终效果为
CUDA_ARCH := #-gencode arch=compute_20,code=sm_20 \ #-gencode arch=compute_20,code=sm_21 \ -gencode arch=compute_30,code=sm_30 \ -gencode arch=compute_35,code=sm_35 \ -gencode arch=compute_50,code=sm_50 \ -gencode arch=compute_52,code=sm_52 \ -gencode arch=compute_60,code=sm_60 \ -gencode arch=compute_61,code=sm_61 \ -gencode arch=compute_61,code=compute_61
6. 修改
# Whatever else you find you need goes here. 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
make编译，执行以下命令：
$make all $make test $make runtest
我的电脑是4核的，所以我在上面三条语句每条后面都加了一个 -j4以实现并行。在编译过程中，会报关于gflags,glog,lmdb的错误，是因为缺少相应的包，可以通过以下指令解决：
$sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
然后重新编译，如果遇到某些问题，可以尝试先删除掉caffe/build文件夹下的所有文件，重新进行编译，剩下的就是对着电脑抱拳啦。然后就没有遇到其他的问题了。（这个编译的时间会有点久）
python caffe 安装：
安装Anaconda：
Anaconda是一个开源的python发行版本，其包含了conda,Python等180多个包及其依赖项，可以很方便的管理包和环境。
我使用的是linux自带的python3.5版本，按Anaconda推荐先下载对应python3.6版本的，然后配置python3.5的环境。
下载过程可能会有些缓慢，下载完成后，进入到.sh文件所在目录，执行：
$bash Anaconda3-5.1.0-Linux-x86_64.sh
然后根据提示进行操作（同意条款，选择默认安装路径，将Anaconda添加环境变量）最后会推荐安装vscode，是和atom类似的一个编辑器，可装可不装。
选择一个路径，我用<new_environment>来代指，创建一个python3.5的Anaconda环境：
$conda create -n python3.5-caffe python=3.5 anaconda
其中py35-caffe为我设置的环境名称，可任意设置。然后激活该环境：
$source activate python3.5-caffe
在该环境中安装python caffe所需要的库，打开文件<你的caffe所在路径>/python/requirements.txt，在命令行下输入：
$conda list
查看已经安装的包，对照requirements.txt，讲未安装的通过conda或pip进行安装即可。
配置Makefile.config文件：
# NOTE: this is required only if you will compile the python interface. # We need to be able to find Python.h and numpy/arrayobject.h. #PYTHON_INCLUDE := /usr/include/python2.7 \ # /usr/lib/python2.7/dist-packages/numpy/core/include # Anaconda Python distribution is quite popular. Include path: # Verify anaconda location, sometimes it's in root. ANACONDA_HOME := $(HOME)/anaconda3 PYTHON_INCLUDE := $(ANACONDA_HOME)/envs/python3.5-caffe/include \ $(ANACONDA_HOME)/envs/python3.5-caffe/include/python3.5m \ $(ANACONDA_HOME)/envs/python3.5-caffe/lib/python3.5/site-packages/numpy/core/include # Uncomment to use Python 3 (default is Python 2) PYTHON_LIBRARIES := boost_python3 python3.5m # PYTHON_INCLUDE := /usr/include/python3.5m \ # /usr/lib/python3.5/dist-packages/numpy/core/include # We need to be able to find libpythonX.X.so or .dylib. #PYTHON_LIB := /usr/lib PYTHON_LIB := $(ANACONDA_HOME)/envs/python3.5-caffe/lib # Homebrew installs numpy in a non standard path (keg only) # PYTHON_INCLUDE += $(dir $(shell python -c 'import numpy.core; print(numpy.core.__file__)'))/include # PYTHON_LIB += $(shell brew --prefix numpy)/lib # Uncomment to support layers written in Python (will link against Python libs) WITH_PYTHON_LAYER := 1
其中红色标注为做了修改的部分，最后进行编译：
$sudo make clean $sudo make all pycaffe -j4 $sudo make test pycaffe -j4 $sudo make runtest pycaffe -j4
其中可能会出现的报错：
(1)cannot find -lboost_python3
解决方法：终端进入/usr/lib/x86_64-linux-gnu/文件夹下找到libboost_python-py35.so和libboost_python-py35.a
输入如下指令：
$sudo ln -s libboost_python-py35.so libboost_python3.so $sudo ln -s libboost_python-py35.a libboost_python3.a
之后再编译即不会报错。
(2)sudo make runtest pycaffe -j4的时候报错：error while loading shared libraries:libhdf5_hl.so.100，libhdf5.so.101
解决方法：查找/usr/lib/x86_64-linux-gnu/hdf5/serial文件夹下确认找到libhdf5_hl.so和libhdf5.so
输入如下指令：
$cd /usr/lib/x86_64-linux-gnu $sudo ln -s hdf5/serial/libhdf5_hl.so libhdf5_hl.so.100 $sudo lb -s hdf5/serial/libhdf5.so libhdf5.so.101
测试：
$python >>import caffe
无报错则安装成功。
可能会出现的问题：“can't create weekday with n==0”
这个问题的原因出在python-dateutil包上，因为requirements.txt文件中要求版本是python-dateutil>=1.4,<2 ，所以我配置环境的时候把原来2.6.1版本的卸载了，然后安装的1.5版本的，为解决这个问题，又把2.6.1版本的重新装了回来。结果跑通了。
哇，装了好久，临表涕零，不知所言！
参考资料：
caffe利用anaconda配置python接口（cpu版可视化工具）
Ubuntu16.04 14.04安装配置Caffe(GPU版)
如有错误，欢迎指出交流，谢谢！