TX1 Caffe安装与配置

（本文大部分为别人整理的摘录，其中加入少许个人安装时候的补充）

由于TX1是ARM架构，其编译与下载与PC上的ubuntu系统有些许不同。以下进行归纳整理：

环境配置

编译环境配置

安装必要的caffe环境

sudo add-apt-repository universe  
sudo apt-get update  
sudo apt-get install cmake git aptitude screen g++ libboost-all-dev \  
libgflags-dev libgoogle-glog-dev protobuf-compiler libprotobuf-dev \  
bc libblas-dev libatlas-dev libhdf5-dev libleveldb-dev liblmdb-dev \  
libsnappy-dev libatlas-base-dev python-numpy libgflags-dev \  
libgoogle-glog-dev python-skimage python-protobuf python-pandas \  
libopencv-dev

在apt安装时，上面有个openCV库通常在刷板子时就自动装进去了（OpenCV4Tegra），所以可以不用管

Caffe下载

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

编译caffe

所有环境都安装好之后，我们可以caffe的编译了。

首先需要对caffe的配置文件进行修改。使用cuDNN。

cd caffe  
mv Makefile.config.sample Makefile.config  
gedit Makefile.config  
第5行：去掉#号，即 “USE_CUDNN := 1”  
保存退出

修改配置文件，或使用

1	sed -i 's/# USE_CUDNN/USE_CUDNN/g' Makefile.config

另外要注意的是，查看自己cuda版本，需要继续修改Makefile.config使兼容

\# CUDA architecture setting: going with all of them.
\# For CUDA < 6.0, comment the *_50 through *_61 lines for compatibility.
# For CUDA < 8.0, comment the *_60 and *_61 lines for compatibility.
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

TX1装的cuda版本为7.0，按照文件中的提示，注释相应行。

另外，TX1对这个选项设置还需要作如下改动：

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

添加 -gencode arch=compute_53,code=sm_53 一行

参考：

https://devtalk.nvidia.com/default/topic/991260/jetson-tx1/caffe-runtest-error-check-failed-error-cudasuccess-8-vs-0-invalid-device-function/

编译caffe

1	make -j 3 all

关于使用make all -j 3 源于以下一段摘录

now compile caffe, remember Do NOT use all the cores by make all -j, or it hangs the system. Instead use the following

make -j 3 all

# just to make sure everything is fine, leave this if you are in a rush
make -j 3 runtest

参考：

http://qinhongwei.com/2016/05/08/how-to-install-caffe-on-NVIDIA-TX1/

测试MNIST

我们使用caffe自带的mnist例子来测试caffe是否编译成功。

1
2
3

$ bash ./date/mnist/get_mnist.sh
$ bash ./examples/mnist/create_mnist.sh
$ bash ./examples/mnist/train_lenet.sh

如果caffe编译成功，则上面的程序不会报错。

使用g++编译caffe中的classification.cpp文件

使用g++指令编译classification.cpp文件，需要注意一些链接库的位置。

$ g++ classification.cpp `pkg-config –libs –cflags opencv` -I /home/ubuntu/caffe/include -I /home/ubuntu/caffe/build/src -I /usr/local/cuda/include/ -L /home/ubuntu/caffe/build/lib/ -lcaffe -lprotobuf -lhdf5 -lhdf5_cpp -lhdf5_hl -lhdf5_hl_cpp -lleveldb -llmdb -lgflags -lglog -lboost_system -lboost_thread

编译成功之后，运行生成的a.out文件测试效果。

1	$ sudo ./a.out deploy.prototxt vgg\_iter\_3600.caffemodel mean.binaryproto label.txt 1.jpg

注意自己文件的路径，不能照抄