caffe 的docker安装过程及相关linux操作总结

一、caffe 和 docker的安装编译

docker pull caffe镜像（注意使用docker安装省去安装CUDA和cudnn的安装。）
安装相关依赖包
安装opencv3（使用源码安装）

             下载opencv源码到 /opt 目录下，解压并进入opencv-3.1.0目录;

          　mkdir build # 创建编译的文件目录

    　　 cd build cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..

    　　 make -j8 #编译

          　 sudo make install #安装

//////////////////////////////////////////////////////////////////////////////////////////////
linux知识补充：

　　　 pkg-config --modversion opencv

            pkg-config --libs --cflags opencv #查看gcc或g++编译的CFLAGS，即头文件路径和动态库路径

            注意的是静态库使用ar命令对 .o 文件操作创建的，文件以 .a 结束命名; 使用时在静态库名前加 --lib，如gcc -o hello main.c -L. -lmyhello

            同理动态库使用 gcc -shared -fPCI -o libmyhello.so hello.o 命令创建，文件以 .so 命名;

    1、使用时记得把 libmyhello.so 复制到目录 /usr/lib 中再跑 gcc -o hello main.c -L. -lmyhello; 因为一般Linux系统把/lib和/usr/lib两个目录作为默认的库搜索路径

    2、或者添加linux的搜索路径，在 /etc/ld.so.conf 文件中添加库的搜索路径；当静态库和动态库同名时， gcc命令将优先使用动态库。

           如果 pkg-config --modversion查找不到版本，则手动添加opencv源码的opencv4.pc文件到/usr/lib/pkconfig/;

           opencv4.pc的目录在 ~/Desktop/opencv-4.0.0-alpha/build/unix-install，可以使用 find ./ -name opencv4.pc 来在当前目录往下查找

           或者使用 export PKG_CONFIG_PATH=~/Desktop/opencv-4.0.0-alpha/build/unix-install:$PKG_CONFIG_PATH //opencv4.pc在源码的路径

    　　然后使用$echo$PKG_CONFIG_PATH 来查看 PKG_CONFIG_PATH的路径设置是什么。

//////////////////////////////////////////////////////////////////////////////////////////////////

4、安装caffe和编译

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

    sudo cp Makefile.config.example Makefile.config

    sudo gedit Makefile.config #开启选项和设置路径（cudnn，opencv 版本，python 接口层，python 路径）

    然后修改 caffe 目录下的 Makefile 文件（NVCCFLAGS，LIBRARIES）

    make all -j8 #编译

    sudo make runtest -j8 #跑自带的测试

    ###编译pycaffe

    cd caffe

    sudo make pycaffe -j8

    5、下载模型VGG16预训练模型：

　　sh data/scripts/fetch_faster_rcnn_models.sh
此脚本会下载好faster-rcnn的训练好的模型，接着运行demo.py就可以运行示例程序了。具体过程看另外一篇关于demo源码解析的博客.

///////////////////////////////////////////////////////////////////////////////////////////////////////////
    caffe安装编译成功后，跑fast-cnn代码时（Python tools/demo.py），会出现cudnn6不兼容该项目的错误，此时有两种方法：

    cd caffe-fast-rcnn
    git remote add caffe https://github.com/BVLC/caffe.git
    git fetch caffe
    git merge caffe/master
    最后注释掉 self_.attr(“phase”) = static_cast(this->phase_); from include/caffe/layers/python_layer.hpp after merging.
    这种方法有时候会成功，有时候则不会
    手动修改文件
    1. 用最新caffe源码的以下文件替换掉faster rcnn 的对应文件
    include/caffe/layers/cudnn_relu_layer.hpp, src/caffe/layers/cudnn_relu_layer.cpp, src/caffe/layers/cudnn_relu_layer.cu
    include/caffe/layers/cudnn_sigmoid_layer.hpp, src/caffe/layers/cudnn_sigmoid_layer.cpp, src/caffe/layers/cudnn_sigmoid_layer.cu
    include/caffe/layers/cudnn_tanh_layer.hpp, src/caffe/layers/cudnn_tanh_layer.cpp, src/caffe/layers/cudnn_tanh_layer.cu
    2 用caffe源码中的这个文件替换掉faster rcnn 对应文件
    include/caffe/util/cudnn.hpp

至此可以使用训练好的模型VGG16来检测识别物体了。
///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////

二、所用到的docker命令

docker rename 原容器名新容器名    docker tag 41b730702607 opmaster/basic_server:devel //镜像id ，改新镜像名字和标签

////////////////////////////////////////////////////////////
    #使docker映射到本机host的GUI口来显示，使用nvidia的GPU来创建容器，并提供交互（-it）的bash，设置数据卷来挂载共享数据，并命名容器名

    sudo nvidia-docker run -it
    > -v /tmp/.X11-unix:/tmp/.X11-unix
    > -e DISPLAY=unix$DISPLAY
    > -e GDK_SCALE
    > -e GDK_DPI_SCALE
    > -v /home/csj/Desktop/caffe_docker_mnt/:/home/caffe_docker_mnt
    > --name shijie_caffe_container1
    > 1febdeef0276
    > /bin/bash

    jupyter notebook --allow-root   #使用jupyter notebook
//////////////////////////////////////////////////////////////////////////////////////////////////////////

    sudo nvidia-docker start   2806cb9d9633
    sudo nvidia-docker exec -it 2806cb9d9633 /bin/bash
    sudo nvidia-docker commit 2806cb9d9633 shijie_image:v1 //保存改动的容器到镜像

    docker commit -m="First Image" -a="786389209" 7a15f99695c0   786389209/unbantu:17.10.0 #

    * -m 提交的描述信息

    * -a 指定镜像作者

    sudo nvidia-docker save shijie_image:v1   /home/shijie_docker/shijie_image.tar //保存镜像为 .tar 文件到host本地目录

    sudo nvidia-docker load   -i   file-path

    #注意load和import命令不同，前者导入镜像到本地镜像仓库，后者只是导入一个快照，退出会回滚原始版本。

    rm          #删除一个或多个容器

    rmi         #删除一个或多个镜像

    #登录docker并上传镜像

    docker login

    docker push 786389209/unbantu-test:lastest

三、cmake 的介绍

　　CMake是一个比make更高级的编译配置工具，它可以根据不同平台、不同的编译器，生成相应的Makefile或者vcproj项目。通过编写CMakeLists.txt，可以控制生成的Makefile，从而控制编译过程。CMake自动生成的Makefile不仅可以通过make命令构建项目生成目标文件，还支持安装（make install）、测试安装的程序是否能正确执行（make test，或者ctest）、生成当前平台的安装包（make package）、生成源码包（make package_source）、产生Dashboard显示数据并上传等高级功能，只要在CMakeLists.txt中简单配置，就可以完成很多复杂的功能，包括写测试用例。如果有嵌套目录，子目录下可以有自己的CMakeLists.txt。总之很强大！

比如Kdevelop中opencv的文件简单的CMakeLists.txt：

cmake_minimum_required(VERSION 2.8)
project(opencv)  #工程名字
find_package(OpenCV REQUIRED)
SET(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -std=c++11")  #opencv4必须添加对C++11的支持

add_executable(opencv main.cpp)
target_link_libraries(opencv ${OpenCV_LIBS})