分步说明：

• Docker 设置 开箱即用的酿造
• Ubuntu安装 标准平台
• Debian安装 单条命令安装caffe
• 操作系统安装
• RHEL / CentOS / Fedora 安装
• Windows 查看由 Guillaume Dumont 领导的 Windows 分支
• OpenCL 查看 Fabian Tschopp 领导的 OpenCL 分支
• 为 AWS预配置的AWS AMI

概述：

• 先决条件
• 汇编
• 硬件

Caffe 有几个依赖项：

• GPU 模式需要 CUDA 。
  • 建议使用库版本 7+ 和最新的驱动程序版本，但 6.* 也可以
  • 5.5 和 5.0 是兼容的，但被认为是遗留的
• 通过 ATLAS、MKL 或 OpenBLAS 的BLAS 。
• 提升>= 1.55
• protobuf, glog, gflags,hdf5

可选依赖项：

• OpenCV >= 2.4 包括 3.0
• IO 库：lmdb，leveldb（注意：leveldb 需要snappy）
• 用于 GPU 加速的 cuDNN (v6)

Pycaffe 和 Matcaffe 接口有其天然的需求。

• 对于 Python Caffe： Python 2.7或Python 3.3+, numpy (>= 1.7), boost-providedboost.python
• 对于 MATLAB Caffe：带有mex编译器的 MATLAB。

cuDNN Caffe：为了实现最快的操作，Caffe 通过NVIDIA cuDNN的嵌入式集成加速。要加速您的 Caffe 模型，请安装 cuDNN，然后在安装 Caffe 时取消注释USE_CUDNN := 1标志。Makefile.config加速是自动的。当前版本为cuDNN v6；较旧的 Caffe 支持较旧的版本。 CPU-only Caffe：对于冷酿的 CPU-only Caffe，取消注释CPU_ONLY := 1以Makefile.config配置和构建没有 CUDA 的 Caffe。这有助于云或集群部署。

CUDA 和 BLAS

Caffe 需要 CUDAnvcc编译器来编译其 GPU 代码和 CUDA 驱动程序以进行 GPU 操作。要安装 CUDA，请访问NVIDIA CUDA 网站并按照那里的安装说明进行操作。分别安装库和最新的独立驱动程序；与库捆绑的驱动程序通常已过时。警告！331.* CUDA 驱动程序系列有一个严重的性能问题：不要使用它。 为了获得最佳性能，可以使用NVIDIA cuDNN加速 Caffe 。在 cuDNN 站点免费注册，安装它，然后按照这些安装说明继续。要使用 cuDNN 进行编译，请USE_CUDNN := 1在您的Makefile.config. Caffe 需要 BLAS 作为其矩阵和向量计算的后端。这个库有几个实现。这是你的选择：

• ATLAS：免费、开源，因此是 Caffe 的默认设置。
• Intel MKL：针对 Intel CPU 进行商业化和优化，具有免费许可证。
  1. 安装 MKL。
  2. 设置 MKL 环境（详细信息：Linux、OS X）。示例：source /opt/intel/mkl/bin/mklvars.sh intel64
  3. 置入BLAS := mkl_Makefile.config
• OpenBLAS：免费和开源；这个优化的并行 BLAS 可能需要更多的安装工作，尽管它可能会提供加速。
  1. 安装 OpenBLAS
  2. 置入BLAS := open_Makefile.config

Python 和/或 MATLAB Caffe（可选）

Python

主要需求是numpyand boost.python（由boost提供）。pandas也很有用，某些示例需要它。 您可以安装依赖项 但我们建议首先安装Anaconda Python 发行版，它提供了大部分必需的包以及hdf5库依赖项。 安装完成后导入caffePython模块，将模块目录添加到你$PYTHONPATH的byexport PYTHONPATH=/path/to/caffe/python:$PYTHONPATH之类。你不应该在caffe/python/caffe目录中导入模块！ Caffe 的 Python 接口适用于 Python 2.7。Python 3.3+ 应该在没有 protobuf 支持的情况下开箱即用。如需 protobuf 支持，请安装 protobuf 3.0 alpha (https://developers.google.com/protocol-buffers/)。早期的 Python 是你自己的冒险。

软件

安装 MATLAB，并确保它mex在您的$PATH. Caffe 的 MATLAB 接口适用于 2015a、2014a/b、2013a/b 和 2012b 版本。

汇编

Caffe 可以使用 Make 或 CMake 编译。Make 得到官方支持，而 CMake 得到社区支持。

用 Make 编译

通过为您的设置复制和修改示例来配置构建Makefile.config。默认值应该有效，但如果使用 Anaconda Python，请取消注释相关行。

• 对于 CPU 和 GPU 加速的 Caffe，不需要任何更改。
• 对于使用 NVIDIA 专有 cuDNN 软件的 cuDNN 加速，取消USE_CUDNN := 1注释Makefile.config. cuDNN 有时但并不总是比 Caffe 的 GPU 加速更快。
• 对于 CPU-only Caffe，CPU_ONLY := 1在Makefile.config.

要编译 Python 和 MATLAB 包装器，请分别执行make pycaffe和make matcaffe。请务必先设置您的 MATLAB 和 Python 路径Makefile.config！ Distribution：运行make distribute以创建一个distribute目录，其中包含分发到其他机器所需的所有 Caffe 标头、编译库、二进制文件等。 速度：为了更快地构建，通过执行并行编译，make all -j8其中 8 是用于编译的并行线程数（线程数的一个不错选择是机器中的内核数）。 现在您已经安装了 Caffe，请查看MNIST 教程http://caffe.berkeleyvision.org/gathered/examples/mnist.html 和参考 ImageNet 模型教程http://caffe.berkeleyvision.org/gathered/examples/imagenet.html。

构建

Makefile.config由于 @Nerei、@akosiorek 和社区的其他成员，Caffe 提供了一个非官方的 CMake 构建，而不是手动编辑以配置构建。它需要 CMake 版本 >= 2.8.7。基本步骤如下： 有关选项和详细信息，请参阅PR #1667。

硬件

实验室测试硬件：Berkeley Vision 在 Titan Xs、K80s、GTX 980s、K40s、K20s、Titans 和 GTX 770s 上运行 Caffe，包括 ImageNet/ILSVRC 规模的模型。对于 CUDA 功能 >= 3.0 的设备，我们在内部没有遇到任何问题。到目前为止，所有报告的硬件问题都是由于 GPU 配置、过热等原因造成的。 CUDA 计算能力：由于硬件限制，计算能力 <= 2.0 的设备可能不得不减少 CUDA 线程数和批处理大小。谨慎酿造；我们建议计算能力 >= 3.0。 安装后，请根据我们的参考性能数据检查您的时间，以确保一切配置正确。 在caffe-users 组询问硬件问题。