CentOS下如何成功安装Caffe深度学习框架？

在CentOS系统中部署Caffe框架是一个涉及众多依赖库和精细配置的过程，Caffe，作为一个高效、清晰且可模块化的深度学习框架，其在服务器环境，尤其是企业级的CentOS系统上的应用十分广泛，本文旨在提供一份详尽、清晰、步骤分明的安装指南，帮助用户在CentOS 7或8系统上顺利搭建Caffe环境,无论是用于CPU模式还是GPU模式的深度学习任务。

准备工作与环境更新

在开始安装之前，确保你的系统拥有一个干净且最新的基础环境,这可以避免许多因系统软件包过时而导致的潜在冲突。

通过SSH连接到你的CentOS服务器,执行以下命令来更新所有已安装的软件包到最新版本：

sudo yum update -y

对于开发者而言，安装“开发工具”组是必不可少的，它包含了编译软件所需的GCC、make等核心工具：

sudo yum groupinstall "Development Tools" -y

CentOS的默认软件源可能不包含所有我们需要的依赖包，因此建议启用EPEL（Extra Packages for Enterprise Linux）仓库：

sudo yum install epel-release -y

完成这些基础准备后,我们的系统就已经为后续复杂的依赖安装做好了铺垫。

核心依赖库的安装

Caffe的正常运行依赖于一系列功能强大的第三方库，我们将逐一介绍并安装它们，为了清晰起见,下表列出了主要的依赖项及其功能：

依赖库名称	功能描述	安装命令示例
protobuf	Google的数据序列化协议，用于网络模型存储	sudo yum install protobuf-devel
leveldb	轻量级高性能的键值数据库	sudo yum install leveldb-devel
snappy	高速压缩库	sudo yum install snappy-devel
hdf5	用于存储和管理大规模科学数据的文件格式	sudo yum install hdf5-devel
OpenBLAS	开源的BLAS（基础线性代数程序集）实现	从源码编译或寻找预编译包
OpenCV	开源计算机视觉库，用于图像处理	强烈建议从源码编译安装
Boost	C++标准库的扩展	sudo yum install boost-devel
glog/gflags	Google的日志和命令行标志处理库	sudo yum install glog-devel gflags-devel

安装OpenBLAS

BLAS是Caffe进行高效矩阵运算的核心，虽然ATLAS或Intel MKL也是选项，但OpenBLAS是一个免费且性能优越的选择，你可以通过yum尝试安装，但为了确保版本兼容性,推荐从源代码编译：

git clone https://github.com/xianyi/OpenBLAS.git
cd OpenBLAS
make -j$(nproc)  # 使用所有可用CPU核心进行编译
sudo make install

编译安装OpenCV

OpenCV是Caffe处理图像数据的关键，从源码编译可以让你自定义安装路径和功能模块,避免与系统预装版本冲突。

1. 安装OpenCV依赖：

   

   sudo yum install cmake git gtk2-devel pkgconfig numpy python-devel python-pip

2. 下载并编译OpenCV（以OpenCV 4.x为例）：

   git clone https://github.com/opencv/opencv.git
   cd opencv
   mkdir build && cd build
   cmake -D CMAKE_BUILD_TYPE=RELEASE 
         -D CMAKE_INSTALL_PREFIX=/usr/local 
         -D WITH_CUDA=OFF 
         -D WITH_TBB=ON 
         -D BUILD_TESTS=OFF 
         -D BUILD_PERF_TESTS=OFF ..
   make -j$(nproc)
   sudo make install
   sudo ldconfig  # 更新系统共享库缓存

编译与配置Caffe

当所有依赖就绪后,便可以开始下载和编译Caffe源码。

1. 克隆Caffe仓库：

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

2. 配置Makefile.config：
   这是整个安装过程中最关键的一步,复制示例配置文件并进行编辑：

   cp Makefile.config.example Makefile.config
   vi Makefile.config

   在Makefile.config文件中,需要根据你的环境修改以下几个关键配置项：

   • CPU_ONLY模式：如果你没有NVIDIA GPU，或者只想使用CPU，请取消这一行的注释：

     CPU_ONLY := 1

   • OpenCV版本：根据你安装的OpenCV版本，取消对应行的注释（如果你安装的是OpenCV 4.x，可能需要将其设置为3，因为Caffe的脚本可能对4的支持不完全，或者自己修改一些编译选项）：

     OPENCV_VERSION := 3

   • 自定义库路径：如果你将某些库（如OpenCV, HDF5）安装到了非标准路径，需要在这里指定，如果OpenCV安装在/usr/local：

     INCLUDE_DIRS += /usr/local/include
     LIBRARY_DIRS += /usr/local/lib

3. 执行编译命令：
   保存配置文件后，回到caffe根目录,依次执行以下命令：

   make all -j$(nproc)        # 编译Caffe主程序和库文件
   make test -j$(nproc)       # 编译Caffe的测试单元
   make runtest               # 运行所有测试，验证编译是否成功

   如果make runtest顺利通过，恭喜你,Caffe的核心部分已经成功安装在你的CentOS系统上了。

Python接口配置

为了在Python中使用Caffe（pycaffe）,还需要完成Python环境的配置。

1. 安装Python依赖：
   Caffe提供了requirements.txt文件，使用pip可以轻松安装所有依赖：

   

   sudo pip install -r python/requirements.txt

2. 添加环境变量：
   为了让Python解释器能找到pycaffe模块，需要将Caffe的python目录添加到PYTHONPATH环境变量中，你可以将以下命令添加到~/.bashrc或~/.bash_profile文件中：

   export PYTHONPATH=/path/to/your/caffe/python:$PYTHONPATH

   然后执行source ~/.bashrc使其立即生效。

你可以在Python中尝试导入Caffe来验证安装：

>>> import caffe
>>> print(caffe.__version__)

如果能够成功输出版本号而没有任何错误,说明整个Caffe环境已经完全配置好了。

---

相关问答FAQs

Q1：在编译过程中出现“undefined reference to cv::...”之类的错误，该如何解决？

A1： 这是一个典型的链接错误，通常表示编译器找不到OpenCV的库文件，请再次确认你已正确安装了OpenCV，检查Makefile.config中的LIBRARY_DIRS变量是否包含了OpenCV的库文件路径（通常是/usr/local/lib或/usr/local/lib64），如果路径正确，可以尝试在Makefile的LDFLAGS后加上-L/usr/local/lib，确保执行了sudo ldconfig命令来刷新系统的共享库缓存，检查CMake编译OpenCV时是否开启了共享库选项（默认是开启的）。

Q2：运行make runtest时，有几个测试失败了，但大部分都通过了，这正常吗？我需要担心吗？

A2： 在大多数情况下，少数测试失败是可以接受的，尤其是对于那些与特定硬件、不常见功能或可选依赖相关的测试，如果你在CPU_ONLY模式下编译，那么所有与GPU相关的测试失败是完全正常的，关键是要关注与你核心用途相关的测试是否通过，你可以通过查看make runtest的输出，定位到具体是哪个测试用例失败了，然后判断其功能是否对你的应用至关重要，如果是一些数据层或网络层的测试失败，可能需要深入调查；如果是一些工具类或边缘案例的测试，通常可以忽略,但最理想的状态当然是所有测试都通过。