1. 安装build-essentials
1.sudo apt-get install libprotobuf-dev libleveldb-dev
libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev
2.
# glog
wget https://google-glog.googlecode.com/files/glog-0.3.3.tar.gz
tar zxvf glog-0.3.3.tar.gz
cd glog-0.3.3
./configure
make && make install
# gflags
wget https://github.com/schuhschuh/gflags/archive/master.zip
unzip master.zip
cd gflags-master
mkdir build && cd build
export CXXFLAGS="-fPIC" && cmake ..
&& make VERBOSE=1
make && make install
# lmdb
wget https://github.com/wizawu/lmdb/archive/lmdb.master.zip
unziplmdb.master.zip
cdlmdb.master/libraries/liblmdb
make && make install
#git clone git://gitorious.org/mdb/mdb.git（注git时出错，因此换为下面方式获取）
注意：
安装完成后需要添加library路径
1.sudo gedit /etc/ld.so.conf.d/lmdb.conf
2.在文件中添加内容
/usr/local/lib
3.完成lib文件的链接操作，执行：
sudo
ldconfig -v
2. 安装NVIDIA驱动 (3.4.0)和CUDA 5.5
见我的其它博客的相关内容
3. 安装Intel MKL
1.安装BLAS，这里可以选择（ATLAS，MKL或者OpenBLAS），我这里使用MKL，首先下载并安装英特尔? 数学内核库 Linux* 版MKL，下载链接是：https://software.intel.com/en-us/intel-education-offerings，可以下载Student版的，先申请，然后会立马收到一个邮件（里面有安装序列号），打开照着下载就行了。下载完之后，要把文件解压到它是保存在home/username
接下来是安装过程，先授权，然后安装：
$ tar zxvf cpp_studio_xe_2013_sp1_update3.tar.gz （如果你是直接拷贝压缩文件过来的）
$ chmod a+x /home/username/cpp_studio_xe_2013_sp1_update3 -R
$ sudo ./install_GUI.sh
安装的时候，可以安装到root权限下，或者sudo权限，我是装在root权限下，避免麻烦，这时就必须确保已经为root设置过密码了，然后会让你输入你申请的时候发给你的序列号。没设置的话，执行：
$ sudo passwd root
2.MKL与CUDA的环境设置
进行如下操作
1. 新建intel_mkl.conf，使用如下命令：
$sudo
gedit /etc/ld.so.conf.d/intel_mkl.conf
添加如下内容并保存
/opt/intel/lib/intel64
/opt/intel/mkl/lib/intel64
2. 新建cuda.conf，使用如下命令：：
$sudo
gedit /etc/ld.so.conf.d/cuda.conf
添加如下内容并保存
/usr/local/cuda/lib64
/lib
3. 完成lib文件的链接操作，执行：
$ sudo ldconfig -v
4.安装OpenCV
使用Github上写好的完整的安装脚本：https://github.com/jayrambhia/Install-OpenCV
下载该脚本，进入Ubuntu/2.4 目录
然后安装最新版本 （当前为2.4.9）
sudo ./opencv2_4_9.sh
脚本会自动安装依赖项，下载安装包，编译并安装OpenCV。整个过程会比较漫长。
5. 安装Caffe所需要的Python环境
见我的其它博客的相关内容
6. 编译Caffe
1. 切换到Caffe的下载文件夹，然后执行：
$ cp Makefile.config.example Makefile.config
修改新生成的Makefile.config文件，修改“BLAS := mkl”，这个非常重要。
$ make all
$ make test
$ make runtest
我这步遇到一个问题是关于compute_50，只需注释掉Makefile.config中的compute_50部分，如下所示，出现这个错误的原因是CUDA5.5不支持compute_50
CUDA_ARCH := -gencode arch=compute_20,code=sm_20 \
-gencode arch=compute_20,code=sm_21 \
-gencode arch=compute_30,code=sm_30 \
-gencode arch=compute_35,code=sm_35 \
#-gencode arch=compute_50,code=sm_50 \
#-gencode arch=compute_50,code=compute_50
6.
使用MNIST数据集进行测试
Caffe默认情况会安装在$CAFFE_ROOT，就是解压到那个目录，例如：$ home/username/caffe-master，所以下面的工作，默认已经切换到了该工作目录。下面的工作主要是，用于测试Caffe是否工作正常，不做详细评估。具体设置请参考官网：http://caffe.berkeleyvision.org/gathered/examples/mnist.html
1. 数据预处理
可以用下载好的数据集，也可以重新下载，我网速快，这里就偷懒直接下载了，具体操作如下：
$ sudo sh data/mnist/ ./get_mnist.sh
2. 重建LDB文件，就是处理二进制数据集为Caffe识别的数据集，以后所有的数据，包括jpe文件都要处理成这个格式
$ sudo sh examples/mnist/./create_mnist.sh
生成mnist-train-leveldb/ 和 mnist-test-leveldb/文件夹，这里包含了LDB格式的数据集
3. 训练mnist
$ sudo sh examples/mnist/ ./train_lenet.sh
注意：新版的caffe必须在主目录下进行操作
引用：
[1].http://www.cnblogs.com/platero/p/3993877.html
[2].http://www.haodaima.net/art/2823705
[3].http://caffe.berkeleyvision.org/