ubuntu16.04 caffe（GPU模式）安装

ubuntu16.04 caffe（GPU模式）安装
历时5天终于完成了，配置中出现了各种各样的Error，这里记录一下，希望能为正在安装的人提供一点帮助。

配置中主要参考博客：http://blog.csdn.net/yhaolpz/article/details/71375762#reply

安装硬件： GeForce GTX 1070/PCIe/SSE2

安装流程细分为如下10个步骤：

1、安装依赖包
2、禁用 nouveau
3、配置环境变量
4、NVIDIA驱动安装
5、安装 CUDA 8.0
6、验证 CUDA 8.0 是否安装成功
7、安装 cudnn
8、安装 opencv3.1
9、安装 caffe
10、安装 pycaffe notebook 接口环境

第1步安装依赖包

安装后续步骤或环境必需的依赖包，依次输入以下命令:
```
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 libopenblas-dev liblapack-dev libatlas-base-dev

sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

sudo apt-get install git cmake build-essential
```
有一定几率安装失败而导致后续步骤出现问题，所以要确保以上依赖包都已安装成功，验证方法就是重新运行安装命令，如验证 git cmake build-essential是否安装成功共则再次运行以下命令：
```
sudo apt-get install git cmake build-essential 
```
界面提示如下则说明已成功安装依赖包，否则继续安装直到安装成功。
```
lai@lai-Precision-Tower-3620:~$ sudo apt-get install git cmake build-essential 
[sudo] lai 的密码： 
正在读取软件包列表... 完成
正在分析软件包的依赖关系树       
正在读取状态信息... 完成       
build-essential 已经是最新版 (12.1ubuntu2)。
cmake 已经是最新版 (3.5.1-1ubuntu3)。
git 已经是最新版 (1:2.7.4-0ubuntu1.3)。
下列软件包是自动安装的并且现在不需要了：
  bbswitch-dkms dkms lib32gcc1 libcublas7.5 libcudart7.5 libcufft7.5
  libcufftw7.5 libcurand7.5 libcusolver7.5 libcusparse7.5 libnppc7.5
  libnppi7.5 libnpps7.5 libnvblas7.5 libnvrtc7.5 libnvtoolsext1 libnvvm3
  libthrust-dev libvdpau-dev nvidia-cuda-doc nvidia-cuda-gdb nvidia-opencl-dev
  nvidia-prime opencl-headers
使用'sudo apt autoremove'来卸载它(它们)。
升级了 0 个软件包，新安装了 0 个软件包，要卸载 0 个软件包，有 11 个软件包未被升级。
```
第2步禁用 nouveau

安装好依赖包后需要禁用 nouveau，只有在禁用掉 nouveau 后才能顺利安装 NVIDIA 显卡驱动，禁用方法就是在 /etc/modprobe.d/blacklist-nouveau.conf 文件中添加一条禁用命令，首先需要打开该文件，通过以下命令打开：
```
sudo gedit /etc/modprobe.d/blacklist-nouveau.conf
```
打开后发现该文件中没有任何内容，写入：
```
blacklist nouveau option nouveau modeset=0 
```
保存时命令窗口可能会出现以下提示：
```
** (gedit:4243): WARNING **: Set document metadata failed: 不支持设置属性 metadata::gedit-position
```
无视此提示～，保存后关闭文件，注意此时还需执行以下命令使禁用 nouveau 真正生效：
```
sudo update-initramfs -u
```
第3步配置环境变量

同样使用 gedit 命令打开配置文件：
```
sudo gedit ~/.bashrc
```
打开后在文件最后加入以下两行内容：
```
export LD_LIBRARY_PATH=/usr/lib/x86_64-linux-gnu:$LD_LIBRARY_PATH

export LD_LIBRARY_PATH=/lib/x86_64-linux-gnu:$LD_LIBRARY_PATH 
```
保存退出。

到这里为止，都还很安全，没有遇见任何的问题，接下来就开始了。

第4步安装NVIDIA驱动

进入 http://www.nvidia.cn/Download/index.aspx?lang=cn，按照自己的配置下载驱动程序。

为了方便开始安装过程的路径查找，把下载的NVIDIA安装文件移动到 HOME 路径下，然后通过 Ctrl + Alt + F1 进入文本模式，输入帐号密码登录，通过 Ctrl + Alt + F7 可返回图形化模式，在文本模式登录后首先关闭桌面服务：
```
sudo service lightdm stop
```
然后通过 Ctrl + Alt + F7 发现已无法成功返回图形化模式，说明桌面服务已成功关闭，注意此步对接下来的NVIDIA驱动安装尤为重要，必需确保桌面服务已关闭。

Ctrl + Alt + F1 进入文本模式，然后运行NVIDIA安装文件进行安装，之前我们已经把 NVIDIA安装文件移动至 HOME，直接通过 sh 命令运行安装文件即可：
```
sudo sh NVIDIA-linux-x86_64-384.90.run 
```
其中 NVIDIA-linux-x86_64-384.90.run 是我的NVIDIA安装文件名，而你需替换为自己的NVIDIA 安装文件名，若此时忘记可直接通过 ls 文件查看文件名。

安装完成后重启电脑。
```
reboot
```
第5步安装 CUDA 8.0

进入 https://developer.nvidia.com/cuda-downloads ，依次选择 CUDA 类型然后下载即可。

上面是我参考的的那篇博文里给的，我在那个网页下载下了的cuda版本是cuda-9.0，坑死我了。我安装了cuda-9.0后，后面的opencv3.1的安装cmake一直出错，百度了半天，应该是opencv3.1.0不支持cuda-9.0，然后我又把cuda-9.0卸了，重新装的cuda-8.0。

附上下载链接：https://pan.baidu.com/s/1bo4RLCV，提取码4vf7

安装的时候可以先去官网上下，如果是cuda-8.0那就用官网给的，不是的话可以用上面那个链接。

安装过程与NVIDIA类似，把下载的 CUDA 安装文件移动到 HOME 路径下，然后通过 Ctrl + Alt + F1 进入文本模式，输入帐号密码登录，通过 Ctrl + Alt + F7 可返回图形化模式，直接通过 sh 命令运行安装文件即可：
```
sudo sh cuda_8.0.61_375.26_linux.run --no-opengl-libs
```
执行此命令约1分钟后会出现 0%信息，此时长按回车键让此百分比增长，直到100%，然后按照提示操作即可，先输入 accept ，然后让选择是否安装 nvidia 驱动，因为我们之前已经安装过NVIDIA驱动了所以输入“n”。

剩下的选择则都输入“y”确认安装或确认默认路径安装，开始安装，此时若出现安装失败提示则可能为未关闭桌面服务或在已安装 nvidia 驱动的情况下重复再次安装 nvidia 驱动，安装完成后输入重启命令重启（这一步我不知道是否要做，保险起见我还是做了）：
```
reboot
```
重启后登录进入系统，配置 CUDA 环境变量，与第3步相同，使用 gedit 命令打开配置文件：
```
sudo gedit ~/.bashrc
```
在该文件最后加入以下两行并保存
```
export PATH=/usr/local/cuda-8.0/bin:$PATH

export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH
```
使该配置生效：
```
source ~/.bashrc
```
第6步验证 CUDA 8.0 是否安装成功

分别执行以下命令：
```
cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery

sudo make

./deviceQuery
```
若看到类似以下信息则说明 cuda 已安装成功：
```
./deviceQuery Starting...

 CUDA Device Query (Runtime API) version (CUDART static linking)

Detected 1 CUDA Capable device(s)

Device 0: "GeForce GT 740M"
  CUDA Driver Version / Runtime Version          8.0 / 8.0
  CUDA Capability Major/Minor version number:    3.5
  Total amount of global memory:                 2004 MBytes (2100953088 bytes)
  ( 2) Multiprocessors, (192) CUDA Cores/MP:     384 CUDA Cores
  GPU Max Clock rate:                            1032 MHz (1.03 GHz)
  Memory Clock rate:                             800 Mhz
  Memory Bus Width:                              64-bit
  L2 Cache Size:                                 524288 bytes
  Maximum Texture Dimension Size (x,y,z)         1D=(65536), 2D=(65536, 65536), 3D=(4096, 4096, 4096)
  Maximum Layered 1D Texture Size, (num) layers  1D=(16384), 2048 layers
  Maximum Layered 2D Texture Size, (num) layers  2D=(16384, 16384), 2048 layers
  Total amount of constant memory:               65536 bytes
  Total amount of shared memory per block:       49152 bytes
  Total number of registers available per block: 65536
  Warp size:                                     32
  Maximum number of threads per multiprocessor:  2048
  Maximum number of threads per block:           1024
  Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
  Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
  Maximum memory pitch:                          2147483647 bytes
  Texture alignment:                             512 bytes
  Concurrent copy and kernel execution:          Yes with 1 copy engine(s)
  Run time limit on kernels:                     No
  Integrated GPU sharing Host Memory:            No
  Support host page-locked memory mapping:       Yes
  Alignment requirement for Surfaces:            Yes
  Device has ECC support:                        Disabled
  Device supports Unified Addressing (UVA):      Yes
  Device PCI Domain ID / Bus ID / location ID:   0 / 1 / 0
  Compute Mode:
     < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >

deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 8.0, CUDA Runtime Version = 8.0, NumDevs = 1, Device0 = GeForce GT 740M
Result = PASS
```
我后来发现其实到这一步还是不够的，要验证你安装的cuda是否真的可以使用还需要继续验证，测试cuda的sample
```
cd /home/lai/NVIDIA_CUDA-8.0_Samples

make
```
这样是跑了sample里的所有例子，这样太费时间了，你也可以只跑其中一个例子，进入对应例子的文件夹，然后用make命令就可以了

如果成功的话界面应该如下：

第7步安装 cudnn

登录官网：https://developer.nvidia.com/rdp/cudnn-download ，下载对应 cuda 版本且 linux 系统的 cudnn 压缩包，注意官网下载 cudnn 需要注册帐号并登录，不想注册的可从网盘下载：https://pan.baidu.com/s/1hs23HrA

下载完成后解压，得到一个 cuda 文件夹，该文件夹下include 和 lib64 两个文件夹，命令行进入 cuda/include 路径下，然后进行以下操作：
```
sudo cp cudnn.h /usr/local/cuda/include/ #复制头文件
```
然后命令行进入 cuda/lib64 路径下，运行以下命令：
```
sudo cp lib* /usr/local/cuda/lib64/ #复制动态链接库
cd /usr/local/cuda/lib64/
sudo rm -rf libcudnn.so libcudnn.so.5 #删除原有动态文件
sudo ln -s libcudnn.so.5.1.10 libcudnn.so.5 #生成软衔接
sudo ln -s libcudnn.so.5 libcudnn.so #生成软链接
```
这里需要注意第三行命令，网上有人的第三行命令为：
```
sudo ln -s libcudnn.so.5.1.5 libcudnn.so.5 #生成软衔接
```
起初我执行的也是上条链接 libcudnn.so.5.1.5 的命令，但是后面编译caffe时出错，报错内容为 /usr/bin/ld: 找不到 -lcudnn，所以这里需要先查看一下自己应该链接的是 libcudnn.so.5.1.10 还是 libcudnn.so.5.1.5 ，查看方法为下：
```
locate libcudnn.so
```
可以看到我的文件是 libcudnn.so.5.1.10 ，并没有 libcudnn.so.5.1.5，所以第三行命令我链接的是 libcudnn.so.5.1.10 ，这里第三行链接命令视你的查看结果而定。

安装完成后可用 nvcc -V 命令验证是否安装成功，若出现以下信息则表示安装成功：
```
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2016 NVIDIA Corporation
Built on Sun_Sep__4_22:14:01_CDT_2016
Cuda compilation tools, release 8.0, V8.0.44
```
上面的操作并不能验证cudnn是否安装正确，要验证的话，查看/usr/local/cuda-8.0/incude/目录下，是否有cudnn的include目录中的cudnn.h文件，以及cuda对应的lib64目录下是否有cudnn的lib64目录下的文件，如果有的话则安装成功。为什么这样可以验证cudnn是否安装成功呢？因为实际上，你将cudnn目录下lib64文件夹和ingclude文件夹下的文件复制到cuda中对应的文件夹，你实际上就已经安装成功了，但是这样做的话无法灵活的对cudnn进行升级和替换。

第8步安装 opencv3.1

在这一步我遇到了一个坑就是opencv3.1.0不支持cuda-9.0。

编译报错

进入官网 : http://opencv.org/releases.html , 选择 3.1.0 版本的 source , 下载 opencv-3.1.0.zip

解压到你要安装的位置，命令行进入已解压的文件夹 opencv-3.1.0 目录下，执行：
```
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
```
在执行 make -j8 命令编译到 92% 时可能会出现以下错误：
```
modules/cudalegacy/src/graphcuts.cpp:120:54: error: 
‘NppiGraphcutState’ has not been declared
typedef NppStatus (*init_func_t)(NppiSize oSize, 
NppiGraphcutState** ppState, Npp8u* pDeviceMem);
```
这是由于opecv3.1与cuda8.0不兼容导致的。解决办法：

修改 /opencv-3.1.0/modules/cudalegacy/src/graphcuts.cpp 文件内容，如图

编译成功后安装：
```
sudo make install #安装
```
安装完成后通过查看 opencv 版本验证是否安装成功：
```
pkg-config --modversion opencv 
```
第9步安装 caffe

首先在你要安装的路径下 clone ：
```
git clone https://github.com/BVLC/caffe.git
```
进入 caffe ，将 Makefile.config.example 文件复制一份并更名为 Makefile.config ，也可以在 caffe 目录下直接调用以下命令完成复制操作：
```
sudo cp Makefile.config.example Makefile.config
```
复制一份的原因是编译 caffe 时需要的是 Makefile.config 文件，而Makefile.config.example 只是caffe 给出的配置文件例子，不能用来编译 caffe。

然后修改 Makefile.config 文件，在 caffe 目录下打开该文件：
```
sudo gedit Makefile.config
```
修改Makefile.config文件内容：

1.应用 cudnn
```
将
#USE_CUDNN := 1
修改成： 
USE_CUDNN := 1
```
2.应用 opencv 版本
```
将
#OPENCV_VERSION := 3 
修改为： 
OPENCV_VERSION := 3
```
3.使用 python 接口
```
将
#WITH_PYTHON_LAYER := 1 
修改为 
WITH_PYTHON_LAYER := 1
```
4.修改 python 路径
```
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib 
修改为： 
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial       
```
这里贴出我的Makefile.config文件方便大家参考

然后修改 caffe 目录下的 Makefile 文件：
```
将：
NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC $(COMMON_FLAGS)
替换为：
NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)
```
```
将：
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5
改为：
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial
```
然后修改 /usr/local/cuda/include/host_config.h 文件 :
```
将
#error-- unsupported GNU version! gcc versions later than 4.9 are not supported!
改为
//#error-- unsupported GNU version! gcc versions later than 4.9 are not supported!
```
由于我之前安装过CPU模式的caffe，Makefile.config去掉了 # CPU_ONLY: = 1 的注释，这里要加上去，否则后面的编译会出错

可以开始编译了
```
make all -j8
```
编译成功后可运行测试：
```
sudo make runtest -j8
```
遇到的问题：

[1]
```
In file included from ./include/caffe/util/cudnn.hpp:5:0,
from src/caffe/util/cudnn.cpp:2:
/usr/local/cuda/include/cudnn.h:63:26: fatal error: driver_types.h: 没有那个文件或目录
compilation terminated.
Makefile:581: recipe for target '.build_release/src/caffe/util/cudnn.o' failed
make: *** [.build_release/src/caffe/util/cudnn.o] Error 1
make: *** 正在等待未完成的任务....
In file included from ./include/caffe/common.hpp:19:0,
from ./include/caffe/blob.hpp:8,
from ./include/caffe/layer.hpp:8,
from src/caffe/layer_factory.cpp:8:
./include/caffe/util/device_alternate.hpp:34:23: fatal error: cublas_v2.h: 没有那个文件或目录
compilation terminated.
Makefile:581: recipe for target '.build_release/src/caffe/layer_factory.o' failed
make: *** [.build_release/src/caffe/layer_factory.o] Error 1
```
可以看出是cuda和cudnn没有安装好，实际上时nvidia驱动的锅，这个时候我用的nvidia驱动并不是官网下载的，而是cuda-9.0残留下来的，后来我把驱动卸载，重新在官网中下载NVIDIA驱动，并重新安装cuda和cudnn后编译成功。

靠之前的那个卸装链接里的方法，没有办法把cuda-9.0残留下来的nvidia驱动卸装，需要先做另一个操作（http://blog.csdn.net/wingfox117/article/details/46278001）
```
sudo apt-get install nvidia-cuda-toolkit
```
如果上面那个操作不成功，那么先安装一个aptitude, 即在终端输入：
```
sudo apt-get install aptitude
```
安装完之后，使用此工具安装nvidia-cuda-toolkit可用。即在终端输入：
```
sudo aptitude install nvidia-cuda-toolkit
```
卸载了依赖的包，把剩余的东西安装上去了。

之后再用这个链接里的方法卸装就可以了（卸载方法链接)

[2]
```
.build_release/tools/caffe: error while loading shared libraries: libcudart.so.8.0: cannot open shared object file: No such file or directory
Makefile:532: recipe for target &#39;runtest&#39; failed
make: *** [runtest] Error 127
```
解决方法

LD_LIBRARY_PATH的意思是告诉loader在哪些目录中可以找到共享库. 可以设置多个搜索目录, 这些目录之间用冒号分隔开. 比如安装了一个mysql到/usr/local/mysql目录下, 其中有一大堆库文件在/usr/local/mysql/lib下面, 则可以在.bashrc或.bash_profile或shell里加入以下语句即可:

export LD_LIBRARY_PATH=/usr/local/mysql/lib:$LD_LIBRARY_PATH

一般来讲这只是一种临时的解决方案, 在没有权限或临时需要的时候使用.

[3]caffe/cudnn.hpp:8:34: fatal error: caffe.h: No such file or director，这是因为protobuf和pillow没有安装，

安装protobuf

参考博客：http://www.cnblogs.com/darkknightzh/p/5782992.html，

安装pillow
```
pip install pillow --upgrade -i http://pypi.douban.com/simple
```
如果显示结果为上图所示，则表示 caffe 已经成功安装。

10、安装 pycaffe notebook 接口环境

在上一步成功安装 caffe 之后，就可以通过 caffe 去做训练数据集或者预测各种相关的事了，只不过需要在命令行下通过 caffe 命令进行操作，而这一步 pycaffe 的安装以及 notebook 环境配置只是为了更方便的去使用 caffe ，实际上大多数都是通过 python 来操作 caffe 的，而 notebook 使用浏览器作为界面，可以更方便的编写和执行 python 代码。

首先编译 pycaffe :
```
cd caffe

sudo make pycaffe -j8
```
以下是我编译 pycaffe 时出现的错误：
```
python/caffe/_caffe.cpp:10:31: fatal error: numpy/arrayobject.h: 没有那个文件或目录
```
解决方法：
```
sudo apt-get install python-numpy
```
此外也可能是由于 Makefile.config 文件中 python 路径设置错误出现的错误，可根据上一步检查一下，也可能出现别的错误，百度谷歌之～

编译 pycaffe 成功后，验证一下是否可以在 python 中导入 caffe 包，首先进入 python 环境：
```
python
```
然后导入 caffe :
```
import caffe
```
若不报错则表示 caffe 的 python 接口已正确编译，但是应该不会那么顺利，以下是我导入 caffe 时出现的错误：

错误1：ImportError: /home/lai/anaconda2/bin/../lib/libstdc++.so.6: version `GLIBCXX_3.4.21’ not found(required by /home/lai/caffe/python/caffe/_caffe.so)

解决方案：根据错误信息可以粗略知道，没有找到GLBCXX 3.4.21。

我们用一行命令查找一下当前已经有的版本：
```
strings /home/lai/anaconda2/bin/../lib/libstdc++.so.6 | grep GLIBCXX
```
注意lai是我的计算机名，而且我的版本是anaconda2。注意对照自己的修改。

显示结果：
```
    GLIBCXX_3.4  
    GLIBCXX_3.4.1  
    GLIBCXX_3.4.2  
    GLIBCXX_3.4.3  
    GLIBCXX_3.4.4  
    GLIBCXX_3.4.5  
    GLIBCXX_3.4.6  
    GLIBCXX_3.4.7  
    GLIBCXX_3.4.8  
    GLIBCXX_3.4.9  
    GLIBCXX_3.4.10  
    GLIBCXX_3.4.11  
    GLIBCXX_3.4.12  
    GLIBCXX_3.4.13  
    GLIBCXX_3.4.14  
    GLIBCXX_3.4.15  
    GLIBCXX_3.4.16  
    GLIBCXX_3.4.17  
    GLIBCXX_3.4.18  
    GLIBCXX_3.4.19  
    GLIBCXX_FORCE_NEW  
    GLIBCXX_DEBUG_MESSAGE_LENGTH  
```
果然没有GLRBCXX3.4.21。

没有就装一个呗，反正有anaconda2。

输入
```
conda install libgcc  
```
再次查看：
```
    GLIBCXX_DEBUG_MESSAGE_LENGTH  
    GLIBCXX_3.4  
    GLIBCXX_3.4.1  
    GLIBCXX_3.4.2  
    GLIBCXX_3.4.3  
    GLIBCXX_3.4.4  
    GLIBCXX_3.4.5  
    GLIBCXX_3.4.6  
    GLIBCXX_3.4.7  
    GLIBCXX_3.4.8  
    GLIBCXX_3.4.9  
    GLIBCXX_3.4.10  
    GLIBCXX_3.4.11  
    GLIBCXX_3.4.12  
    GLIBCXX_3.4.13  
    GLIBCXX_3.4.14  
    GLIBCXX_3.4.15  
    GLIBCXX_3.4.16  
    GLIBCXX_3.4.17  
    GLIBCXX_3.4.18  
    GLIBCXX_3.4.19  
    GLIBCXX_3.4.20  
    GLIBCXX_3.4.21  
```
错误2：importerror：numpy.core.multiarray failed to import

解决方法：
```
pip install -U numpy
```
错误3：Intel MKL FATAL ERROR:Cannot load libmkl_avx2.so or libmkl_def.so

解决方法：
```
conda install nomkl numpy scipy scikit-learn numexpr 
conda remove mkl mkl-service
```
错误4：ImportError:No module named goole.protobuf.internal

解决方法：
```
sudo chmod 777 -R anaconda2 #anaconda2是指文件夹的名字
conda install protobuf
```
如果报错

解决方法
```
sudo apt-get update
sudo apt-get upgrade
wget https://bootstrap.pypa.io/get-pip.py
sudo python3 get-pip.py
```
最后一步，配置notebook环境

安装 jupyter ：
```
sudo pip install jupyter
```
安装完成后运行 notebook :
```
jupyter notebook

或

ipython notebook
```
会在浏览器中打开notebook, 点击右上角的New-python2, 就可以新建一个网页一样的文件，扩展名为ipynb。在这个网页上，我们就可以像在命令行下面一样运行python代码了。输入代码后，按shift+enter运行，更多的快捷键，可点击上方的help-Keyboard shortcuts查看，或者先按esc退出编辑状态，再按h键查看。
```
 
```
相关阅读:
尚硅谷SpringBoot
try-with-resources
Spring中的InitializingBean接口
 @Deprecated注解
 OpenStack 九大组建介绍
 rainbow 实现云上迁移
 推送一个私有镜像到harbor
搭建企业级私有registry Harbor
Linux 部署 jenkins
OpenStack 发放虚拟机流程
原文地址：https://www.cnblogs.com/lindaxin/p/7738784.html

ubuntu16.04 caffe（GPU模式）安装

第1步 安装依赖包

第4步 安装NVIDIA驱动

10、安装 pycaffe notebook 接口环境

第1步安装依赖包

第4步安装NVIDIA驱动