GPU版：http://www.linuxidc.com/Linux/2016-12/138870.htm
CPU版：http://www.linuxidc.com/Linux/2016-09/135034.htm
1 电脑配置及软件说明
1) Ubuntu 16.04 x64系统，GPU：Quadro M4000（提示：在linux下可以通过命令lspic | grep –i vga 查看）
2) Caffe：Convolutional Architecture for Fast FeatureEmbedding
3) NVIDIA显卡驱动（不同的GPU对应不同的版本）
4) CUDA 9.0
5) cuDNN v7.0.5 for CUDA 9.0
6) OpenCV 3.2.0
2 安装NVIDIA GPU驱动
2.1 查询GPU驱动
首先去NVIDIA官网http://www.nvidia.com/Download/index.aspx?lang=en-us查看适合自己显卡的驱动并下载。如下图1，图2所示。
图1. 填写GPU和系统信息
图2. 搜索结果
本文中显卡型号是Quadro M4000，系统linux 64-bit，按照要求点击serach出现图2所示搜索结果，点击下载。本文中下载的驱动文件是：NVIDIA-Linux-x86_64-384.111.run。
注意：我们要把这个文件放到英文目录（e.g. /home）下，原因是下面我们要切换到文字界面下，如果放到中文目录下，我们没有办法进入这个目录（没有中文输入法，且中文全部是乱码）。
2.2 安装GPU驱动
2.2.1 屏蔽自带显卡驱动
1） 在终端下输入： sudo gedit /etc/modprobe.d/blacklist.conf
2） 输入密码收在最后一行加上：blacklist nouveau. 这里是将Ubuntu自带的显卡驱动加入黑名单
3） 在终端输入：sudo update-initramfs –u，使修改生效
4） 重启电脑
2.2.2 安装新驱动
1） 启动电脑后，按Ctrl+Alt+F1~F6进入命令行界面（安装GPU驱动要求在命令行环境），输入用户名和密码进入用户目录
2） 输入命令：sudo service lightdm stop
3） 进入驱动所在的文件夹，sudo chmod +x ./NVIDIA-Linux-x86_64-384.111.run，修改权限。然后：sudo ./NVIDIA-Linux-x86_64-384.111.run，进入安装程序
4） 完成安装后，重启电脑
5） 重启电脑后，输入以下指令进行验证：sudo nvidia-smi，若列出了GPU的信息列表则表示驱动安装成功。如下图3所示。
图3. GPU信息列表
3 安装CUDA
CUDA是NVIDIA的编程语言平台，想使用GPU就必须要使用cuda。
(1) 下载CUDA
首先在官网上https://developer.nvidia.com/cuda-downloads下载CUDA。下载CUDA时一定要注意CUDA和NVIDIA显卡驱动的适配性。现在的情况是：CUDA_8.0支持375.**及以上系列的显卡驱动；CUDA_9.0支持384.**及以上系列的显卡驱动；CUDA_9.1支持389.**及以上系列的显卡驱动。本文中的显卡驱动为384.111系列，所以不能下载最新版本的CUDA_9.1，最后下载的是cuda_9.0.176_384.81_linux.run（当然，CUDA_8.0也是没问题的）。下载界面如下图4所示。
图4. CUDA_9.0下载界面
(2) 运行安装程序
执行以下命令：
sudo chmod 777 cuda_9.0.176_384.81_linux.run
sudo ./cuda_9.0.176_384.81_linux.run
注意：执行后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nvidia384驱动时，一定要选择否：Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 384.**?
因为前面我们已经安装了更加新的nvidia384，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) 环境变量设置
打开~/.bashrc文件：sudo gedit ~/.bashrc
将以下内容写入到~/.bashrc尾部：
exportPATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}
exportLD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
(4) 测试CUDA是否安装成功
执行以下命令：
cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery
sudo make
sudo ./deviceQuery
如果显示一些关于GPU的信息，则说明安装成功。如下图5所示。
图5. CUDA测试信息
4 配置cuDNN
cuDNN是GPU加速计算深层神经网络的库。
(1) 首先去官网 https://developer.nvidia.com/rdp/cudnn-download 下载cuDNN，需要注册一个账号才能下载。下载cuDNN时也一定要注意与CUDA版本的适配性，此信息官网中已经给的很清楚。下载界面如下图6所示。
图6. cuDNN下载界面
(2) 下载cuDNN后进行解压：sudo tar -zxvf ./cudnn-9.0-linux-x64-v7.tgz
(3) 进入解压后的文件夹下的include目录，在命令行进行如下操作：
cd cuda/include
sudo cp cudnn.h/usr/local/cuda/include #复制头文件到cuda头文件目录
(4) 进入lib64目录下，对动态文件进行复制和软链接
cd ..
cd lib64
sudo cp lib*/usr/local/cuda/lib64/ #复制动态链接库
cd /usr/local/cuda/lib64/
sudo rm -rf libcudnn.solibcudnn.so.7 #删除原有动态文件
sudo ln -s libcudnn.so.7.0.5libcudnn.so.7 #生成软衔接
sudo ln -s libcudnn.so.7libcudnn.so #生成软链接
5 安装OpenCV3.2
详细的安装请参考：http://www.linuxidc.com/Linux/2017-07/145446.htm
(1) 从官网(http://opencv.org/downloads.html)下载Opencv,并将其解压到你要安装的位置，假设解压到了/home/opencv。
unzip opencv-3.2.0.zip
sudo cp ./opencv-3.2.0 /home/username
sudo mv opencv-3.2.0 opencv
(2) 安装前准备，创建编译文件夹
cd ~/opencv
mkdir build
cd build
(3) 配置
sudo apt install cmake
sudo cmake -D CMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=/usr/local ..
(4) 编译
sudo make -j8 (-j8表示并行计算，根据自己电脑的配置进行设置，配置比较低的电脑可以将数字改小或不使用，直接输make)
(5) 安装
以上只是将opencv编译成功，还没将opencv安装，需要运行下面指令进行安装：
sudo make install
6 配置Caffe
(1) 安装相关依赖
sudoapt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-devlibhdf5-serial-dev protobuf-compiler
sudoapt-get install --no-install-recommends libboost-all-dev
sudoapt-get install libopenblas-dev liblapack-dev libatlas-base-dev
sudoapt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
(2) 下载Caffe
使用Git直接下载Caffe非常简单，或者去https://github.com/BVLC/caffe下载。
下载完成后，会在家目录下的下载里找到caffe-master.zip，用unzip命令解压到家目录下，然后重命名为caffe。
(3) 修改Makefile.config
因为make指令只能make Makefile.config文件，而Makefile.config.example是caffe给出的makefile例子。因此，首先将Makefile.config.example的内容复制到Makefile.config：
sudo cpMakefile.config.example Makefile.config
打开并修改配置文件：
sudogedit Makefile.config #打开Makefile.config文件 根据个人情况修改文件：
a. 若使用cudnn，则将
#USE_CUDNN:= 1
修改成：
USE_CUDNN:= 1
b. 若使用的opencv版本是3的，则将
#OPENCV_VERSION:= 3
修改为：
OPENCV_VERSION:= 3
c. 若要使用python来编写layer，则将
#WITH_PYTHON_LAYER:= 1
修改为WITH_PYTHON_LAYER := 1
d. 重要的一项，将
#Whatever else you find you need goes here. 下面的
INCLUDE_DIRS:= $(PYTHON_INCLUDE) /usr/local/include
LIBRARY_DIRS:= $(PYTHON_LIB) /usr/local/lib /usr/lib
修改为：
INCLUDE_DIRS:= $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial
LIBRARY_DIRS:= $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu/usr/lib/x86_64-linux-gnu/hdf5/serial
这是因为Ubuntu16.04的文件包含位置发生了变化，尤其是需要用到的hdf5的位置，所以需要更改这一路径。
(4) 修改Makefile文件
打开Makefile文件，做如下修改，将：
NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC$(COMMON_FLAGS)
替换为：
NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX)-Xcompiler -fPIC $(COMMON_FLAGS)
(5) 编辑/usr/local/cuda/include/host_config.h
将其中的第115行注释掉，将
#error-- unsupported GNU version! gcc versionslater than 4.9 are not supported!
改为：
//#error-- unsupported GNU version! gcc versionslater than 4.9 are not supported!
(6) 编译
make all -j8 #-j根据自己电脑配置决定
(7) 测试
sudo make runtest
如果运行之后出现下图7所示，说明caffe配置成功。
图7. Caffe测试成功运行结果
7 MNIST数据集测试
配置caffe完成后，我们可以利用MNIST数据集对caffe进行测试，过程如下：
1.将终端定位到Caffe根目录
cd ~/caffe
2.下载MNIST数据库并解压缩
./data/mnist/get_mnist.sh
3.将其转换成Lmdb数据库格式
./examples/mnist/create_mnist.sh
4.训练网络
./examples/mnist/train_lenet.sh
训练的时候可以看到损失与精度数值，如下图8所示：
图8. Lenet-5网络运行结果