本文共 2461 字，大约阅读时间需要 8 分钟。

我的本机环境如下，任何的环境上的不一致可能会带来一些安装上的问题，所以这个教程只是一个简单的参考。

环境

• 操作系统: Ubuntu 16.04
• GPU型号: Tesla M40 24GB
• Python: 2.7 路径 /usr/bin/python即全局的python解释器

caffe2必备依赖的安装

sudo apt-get updatesudo apt-get install -y --no-install-recommends \      build-essential \      cmake \      git \      libgoogle-glog-dev \      libprotobuf-dev \      protobuf-compiler \      python-dev \      python-pip                          sudo pip install numpy protobuf

GPU用户需要安装的依赖

GPU的用户需要GPU驱动，除此以外还有CUDA和CUDNN的依赖。详细方法可以参照这个博客的内容。  以下介绍一种简单的方法，根据自己环境调整

cuda的apt-get安装，版本8.0

sudo apt-get update && sudo apt-get install wget -y --no-install-recommendswget "http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_8.0.61-1_amd64.deb"sudo dpkg -i cuda-repo-ubuntu1604_8.0.61-1_amd64.debsudo apt-get updatesudo apt-get install cuda

cudnn的安装，版本号为5.1

CUDNN_URL="http://developer.download.nvidia.com/compute/redist/cudnn/v5.1/cudnn-8.0-linux-x64-v5.1.tgz"wget ${CUDNN_URL}sudo tar -xzf cudnn-8.0-linux-x64-v5.1.tgz -C /usr/localrm cudnn-8.0-linux-x64-v5.1.tgz && sudo ldconfig

caffe2需要的其他依赖

同样的，还需要一些caffe2自身依赖的库。这部分可选，根据库名可以看出这里面包含opencv这样的图像处理的库，leveldb这样的文件格式处理库，openmpi这样的mpi通讯框架（用于分布式训练）等等，以及一些python上可选的依赖。

# for both Ubuntu 14.04 and 16.04sudo apt-get install -y --no-install-recommends \      libgtest-dev \      libiomp-dev \      libleveldb-dev \      liblmdb-dev \      libopencv-dev \      libopenmpi-dev \      libsnappy-dev \      openmpi-bin \      openmpi-doc \      python-pydotsudo pip install \      flask \      future \      graphviz \      hypothesis \      jupyter \      matplotlib \      pydot python-nvd3 \      pyyaml \      requests \      scikit-image \      scipy \      setuptools \      six \      tornado

编译安装

clone项目并且编译，clone的速度可能不会很快，因为还需要下载一些第三方的依赖文件，花费时间比较长。

git clone --recursive https://github.com/caffe2/caffe2.git && cd caffe2make && cd build && sudo make installpython -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"

上面给出了编译之后测试是否成功的方法，在python中导入相应的包看看是否成功。

python -m caffe2.python.operator_test.relu_op_test

执行以上的python模块化执行的命令可以测试是否能够正常地在caffe2中使用GPU，需要注意的是此时不能更改目录，还需要在make时候进入的build目录中。 为了能够在所有目录中都能正常使用caffe2，需要修改环境变量。建议修改用户目录下的.bashrc文件，这样系统的不同用户之间不会冲突。

vim ~/.bashrc#在文件的最后一行插入以下内容(需要替换caffe2的路径)export PYTHONPATH=/usr/local:$PYTHONPATHexport PYTHONPATH=$PYTHONPATH:/path/to/caffe2_ROOT/buildexport LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH#然后保存文件重新source一下source ~/.bashrc