刚刚在上篇博客记录了windows10下GPU版本caffe的安装，正准备跑跑论文里的代码，发现好多命令都是.sh命令，这是linux系统的脚本文件。不能直接在windows下运行，于是我想把.sh转换为windows下可执行的bat文件，但是又发现代码需要将数据转换为leveldb格式。而leveldb不能直接在windows下编译，还需配置，比较繁琐。而lmdb可以直接在windows下编译。下面是两者区别：
- 它们都是键/值对（Key/Value Pair）嵌入式数据库管理系统编程库。
- 虽然lmdb的内存消耗是leveldb的1.1倍，但是lmdb的速度比leveldb快10%至15%，更重要的是lmdb允许多种训练模型同时读取同一组数据集。
- 因此lmdb取代了leveldb成为Caffe默认的数据集生成格式
说了这么多，就是windows确实不方便，于是想搞一波linux。但是不太熟悉，所以没有搞双系统，先在虚拟机上练练手,尽管虚拟机不能用GPU。
我的配置：VMware-workstation-full-12.00(12貌似更契合win10)、ubuntu-14.04-desktop-amd64（14LTS版本和16LTS版本相对稳定，amd64即64位版本）
虚拟机和ubuntu安装比较简单，基本是傻瓜式安装。
安装python接口的caffe：（无GPU）、无cuda（自然更没有cudnn），无opencv（暂不需要）
1.安装必要的环境
sudo apt-get update #更新软件列表
sudo apt-get upgrade #更新软件
sudo apt-get install build-essentia #安装build essentialsl
sudo apt-get install linux-headers-'uname -r' #安装最新版本的kernel headers
2.安装所需要的依赖包
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler sudo apt-get install --no-install-recommends libboost-all-dev
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
sudo apt-get install libatlas-base-dev
3.安装必要的库
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
sudo apt-get install libatlas-base-dev
4.下载caffe并配置python
网上的大部分方法是：
cd ~
git clone https://github.com/BVLC/caffe.git #克隆caffe到本地,并命名为caffe
cd caffe
cat python/requirements.txt | xargs -L 1 sudo pip install 安装caffe/python/requirements.txt里面所有要求的库
我就被坑在这里了，上面的命令用到了pip。所以先装pip，即执行sudo apt-get install python-pip
但是装好pip后，上面安装requirements.txt里的库时，速度很慢，基本都是timeout的错误，网上好多修改配置的教程，但我没有设置成功。。
所以我采取下面的方法，即把requirements.txt里的库拿出来，挨个下载：
sudo apt-get install python-numpy python-scipy python-matplotlib python-sklearn python-skimage
python-h5py python-protobuf python-leveldb python-networkx python-nose python-pandas python-gflags Cython ipython
上面就算caffe/python所有所需要的库。装好后没有报错即可，可以测试下：终端输入python，然后任意输入import scipy或import Cython都无错。
5.配置并编译caffe
修改Makefile.config.example
cd caffe
cp Makefile.config.example Makefile.config
上面命令意思：将caffe文件夹里的Makefile.config.example 复制为Makefile.config
然后进入Makefile.config文件夹，改些东西：
#去掉CPU_ONLY:=1的注释
#在PYTHON_INCLUDE下把
# /usr/lib/python2.7/dist-packages/numpy/core/include
#改为
# /usr/local/lib/python2.7/dist-packages/numpy/core/include
下面开始编译caffe：
进入caffe文件夹根目录下，eg：~/caffe$ ，进行如下操作：
make all
make pycaffe
make distribute
make test
这个运行比较久。
6.修改环境路径
将PYTHONPATH写入.bashrc中：
echo 'export PYTHONPATH =$PYTHONPATH:/home/'username'/caffe/python'>>~/.bashrc
source ~/.bashrc
根据每个人不同的路径加以修改，例如我的是 'export PYTHONPATH=$PYTHONPATH:/home/lps/caffe/python'
7.测试
运行MNIST：
1）按照官网先准备数据集：
cd ~/caffe #将终端定位到Caffe根目录
./data/mnist/get_mnist.sh #下载MNIST数据库并解压缩
./examples/mnist/create_mnist.sh #将其转换成Lmdb数据库格式
2）编辑lenet_solver的solver_mode模式从GPU改为CPU：
vim ./examples/mnist/lenet_solver.prototxt
#改为solver_mode: CPU
3）训练模型
cd $CAFFE_ROOT
./examples/mnist/train_lenet.sh
4）训练结果
