最近几年，得益于计算机计算能力的飞速提升，互联网的高速发展和应用产生海量的数据，依赖计算能力和大数据的深度学习发展迅速，以人脸识别、语音识别为代表的人工智能行业非常火热，几乎每一家科技公司都会提出 AI 的概念。

深度学习发展的相当迅速，以至于这个行业的人才紧缺，根据近几年的行业薪水统计，人工智能相关的人才薪资总体遥遥领先于其他行业，可见一斑。

再先进的科技总归要落地于企业级的应用才会真的火热，早期若要将深度学习算法应用到实践中，少不了编写程序，遗憾的是，精通算法的人才不一定也精通编程，一套优秀的算法可能会因为水平稍次的程序效率大打折扣，这也不利于研究人员集中精力研究算法，也不利于人们交流彼此的算法（没有统一的标准）。

为此，各种深度学习框架逐步出现。本文不打算讨论各种深度学习框架的特点和区别，鉴于我接触的很多项目都需要 Caffe 支持，所以。。。

若要学习 Caffe，首要任务当然是安装它。下面将在 Ubuntu 16.04 X86_64 系统中安装 Caffe。

Caffe 的安装

首先需要安装一批 caffe 的依赖库，这些依赖库一般都可以通过 apt 命令安装，依次输入以下命令：

$ sudo apt update
$ sudo apt install git
$ sudo apt install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
$ sudo apt install --no-install-recommends libboost-all-dev
$ sudo apt install libatlas-base-dev
$ sudo apt install python-dev
$ sudo apt install libgflags-dev libgoogle-glog-dev liblmdb-dev

安装完依赖库后，使用 git 命令从 GitHub 下载 Caffe 源代码后:

$ git clone https://github.com/bvlc/caffe.git

在编译之前，需要配置 makefile，这个配置项可以直接在官方提供的模版基础上修改：

$ cp Makefile.config.example Makefile.config
$ vim Makefile.config

如果所使用机器没有 GPU，则可以编译只有 CPU 版本的，方法就是修改 Makefile.config 中的 CPU_ONLY 选项，将其解注释（删除前面的'#'）。输入以下命令即可编译：

$ make -j

-j 选项可以自动使用所有可利用 CPU 编译。也可以在其后手动指定使用的 CPU 个数。

编译 Caffe 可能会遇到的问题

在编译过程中，我遇到了下面这样的错误：

fatal error: hdf5.h: No such file or directory compilation terminated

这是因为 Makefile 找不到 hdf5.h 头文件，可是依赖库明明已经通过 apt 命令安装了，所以这里需要手动指定。打开 Makefile.config 文件，搜索 INCLUDE_DIRS，在其后添加我们安装的 hdf5 头文件所在目录，我的是 /usr/include/hdf5/serial：

然后再打开 Makefile，搜索LIBRARIES,对两个依赖库添加后缀_serial（这是由前面安装的 hdf5 决定的）：

再次输入 make 命令，发现上述问题解决了。但是又遇到了下面这样的错误：

.build_release/lib/libcaffe.so: undefined reference to cv::imread(cv::String const&, int)

这是因为我前面通过 apt 命令安装的 OpenCV 是 3.3.1 版本的，所以需要在 Makefile.config 中指定使用的是 OpenCV 3：

再次输入 make 命令，发现 Caffe 编译完成了。

Caffe 的依赖库

在编译 Caffe 之前，安装了不少依赖库，这些依赖库都是干什么用的呢？

Snappy

Caffe 主要使用 Snappy 处理一些压缩和解压缩工作，Snappy 比 Zlib 快，但是压缩率没有 Zlib 高，文件相对要大 20%~100%。

LMDB 和 LEVELDB

这两个库可以非常快速的将原始数据（raw图片，或者raw二进制数据）以 Key-Value 的形式快速映射到内存，在 Caffe 中起到数据管理的作用。

HDF5

HDF5 是一种能够高效存储和分发的新型数据格式，能够在不同类型的机器上传输并且解析，Caffe 主要使用它存储不同类型的图像和数码数据的文件。

ProtoBuffer

ProtoBuffer 是 Google 开发的一种可以实现内存与非易失存储介质（如硬盘）交换的协议接口，Caffe 大量使用了该协议接口作为权值和模型参数的载体。

所谓的“协议”，其实就是为了统一标准。因为 Caffe 会产生大量的参数权值，如何存储和使用它的方法五花八门，而每个人都有自己的使用习惯，有人喜欢 txt 文件的易修改，有人喜欢 bin 文件的高效读写。

如果不能统一标准，就会对开发组的协作产生阻碍，因此 ProtoBuffer 就被使用了，它甚至还能跨语言（C++/Java/Python）传递相同的数据结构，让开发组的协作更有效率。

输入以下命令：

$ vim models/bvlc_reference_caffenet/train_val.prototxt

该文件记录了模型训练所需的一些参数，使用 Caffe 训练时会首先读取该文件。而将数据从该磁盘文件读取到内存的过程就是有 ProtoBuffer 完成的。

#include "caffe.pb.h"
#include "google/protobuf/io/coded_stream.h"
#include "google/protobuf/io/zero_copy_stream_impl.h"
#include "google/protobuf/text_format.h"

caffe::SolverParameter param;
int fd = open(filename, O_RDONLY);
google::protobuf::io::FileInputStream *input =
 new google::protobuf::io::FileInputStream(fd);
google::protobuf::TextFormat::Parse(input, ?m);

只需要上述几行简单的代码，就可以将 filename 中的内容解析到 param 中。例如，输出 device_id 的代码可以这样写：

cout<<"Device id: "<<param.device_id()<<endl;

关于 Caffe 中的 ProtoBuffer 的更多细节，可以参考 caffe.proto 中的 SolverParameter 协议、caffe.pb.h、caffe.pb.cc。

GLOG

GLOG 是 Google 开发的用于记录程序日志的库，能够设置不同的日志级别，便于区分查看。开发者通过日志可以查看 Caffe 训练过程中的输出并依此调参控制收敛，还可以通过它定位问题，跟踪源码等。

BLAS

Caffe 中有大量的矩阵和向量运算，这一过程使用了 BLAS 中的相应方法，比较常用的有 Intel MKL，ATLAS，OpenBLAS 等。打开编译时的配置文件 Makefile.config，即可看到相应的设置：

小结

本节主要介绍了如何在 Ubuntu 16.04 系统中编译深度学习框架 Caffe，并给出了可能出错的原因和解决方法。最后还逐一讨论了 Caffe 各个依赖库的作用，稍后几节将讨论如何使用 Caffe 框架自己训练智能模型，并使用自己训练的模型做出一些智能行为。

欢迎在评论区一起讨论，质疑。文章都是手打原创，每天最浅显的介绍C语言、linux等嵌入式开发，喜欢我的文章就关注一波吧，可以看到最新更新和之前的文章哦。

未经许可，禁止转载。