在這個鏈接中（http://www.linuxidc.com/Linux/2014-10/107501.htm），我配置了cuda，有強大的GPU，自然不能暴殄天物，讓資源白白空閒著，所以配置一下卷積神經網絡跑一下程序喽。至於卷積神經網絡的原理，容後再寫。打算先寫庫的用法，再寫原理，以行動帶動對理論的追求。
話不多說，步入正題。
關於cuda-convnet，起源於一篇經典論文①，論文中針對ILSVRC-2010的數據進行實驗，然後公布了其實驗使用的代碼，鏈接為②。但是，事實往往跟論文是有差距的，鏈接②中的代碼根本不能重現論文中的結果。在下不才，在使用這個鏈接的庫很久之後才發現的，覺得很坑，希望後來者慎之。
之所以說它坑，首先，論文中提到特性中，multi-GPU和dropout就沒有實現，而且也沒有給出論文中8層卷積神經網絡的配置文件。總之不能直接拿來用，需要自己探索。
雖然如此，但有總比沒有好，畢竟這個庫實現的卷積神經網絡封裝的很好，論文中的大神的貢獻非我等小菜所能企及的。給大神點32個贊。
本文只對cuda-convnet和cuda-convnet2的配置進行說明，論文中的作者還公布了其他版本的庫，尚未用到，故且按下不提。
Ubuntu 12.04 下 CUDA 編程 http://www.linuxidc.com/linux/2014-06/103056.htm
Ubuntu 12.04 安裝 CUDA-5.5 http://www.linuxidc.com/Linux/2013-10/91101.htm
Ubuntu 11.10 上安裝CUDA開發環境 http://www.linuxidc.com/Linux/2012-04/58913.htm
Fedora 15系統下配置CUDA環境 http://www.linuxidc.com/Linux/2011-12/49874.htm
Ubuntu 11.04 安裝 NVIDIA CUDA 4.0 RC2 http://www.linuxidc.com/Linux/2011-10/46304.htm
Linux Mint 13/Ubuntu 12.04 配置CUDA 4.2 & OpenCV 2.4.2 方法 http://www.linuxidc.com/Linux/2013-10/91102.htm
CUDA入門教程 http://www.linuxidc.com/Linux/2014-07/104328.htm
參考鏈接②，先將源碼下載下來。
svn checkout http://cuda-convnet.googlecode.com/svn/trunk/ cuda-convnet-read-only
取出的版本是562。
然後，安裝必須的庫，我使用的是ubuntu系統。所以命令為
sudo apt-get install python-dev python-numpy python-magic python-matplotlib libatlas-base-dev
當然，還要確認你安裝了cuda，我安裝的是cuda6.5，在/usr/local/目錄下，如下所示：
$ ls /usr/local bin cuda cuda-6.5 etc games include lib man sbin share src
2.3. 更改build.sh
進入到剛才下載的cuda-convnet-read-only目錄，更改build.sh文件中的配置路徑。如下所示：
# CUDA toolkit installation directory. export CUDA_INSTALL_PATH=/usr/local/cuda # CUDA SDK installation directory. export CUDA_SDK_PATH=/usr/local/cuda-6.5/samples/common/inc # Python include directory. This should contain the file Python.h, among others. export PYTHON_INCLUDE_PATH=/usr/include/python2.7 # Numpy include directory. This should contain the file arrayobject.h, among others. export NUMPY_INCLUDE_PATH=/usr/lib/python2.7/dist-packages/numpy/core/include/numpy # ATLAS library directory. This should contain the file libcblas.so, among others. export ATLAS_LIB_PATH=/usr/lib/atlas-base make $*
按照官網的教程，配置完build.sh後就可以進行編譯了。但是會發生錯誤，還需要改如下幾個地方才可以。
直接編譯會發生找不到cutil_inline.h頭文件的錯誤。分析原因可能是原來有這個頭文件，後來這個頭文件的功能被實現到其他頭文件中去了。
在include子文件夾下田間cutil_inline.h文件，並輸入內容。
#include "helper_cuda.h" #define cutilCheckMsg(a) getLastCudaError(a) #define cutGetMaxGflopsDeviceId() gpuGetMaxGflopsDeviceId() #define MIN(a,b) (a) < (b) ? (a) : (b)
2.5. MakeFile文件更改
MakeFile第3行，原文如下：
INCLUDES := -I$(PYTHON_INCLUDE_PATH) -I$(NUMPY_INCLUDE_PATH) -I./include -I./include/common -I./include/cudaconv2 -I./include/nvmatrix
添加cuda的路徑後如下：
INCLUDES := -I$(PYTHON_INCLUDE_PATH) -I$(NUMPY_INCLUDE_PATH) -I$(CUDA_SDK_PATH) -I./include -I./include/common -I./include/cudaconv2 -I./include/nvmatrix
保存之。
做完上述改動後，可以編譯了，但到最後會發生一個庫鏈接的錯誤，不用管，直接將那個庫注釋掉。
在common-gcc-cuda-4.0.mk文件的332行。直接用#號注釋。
# LIB += -lcutil_$(LIB_ARCH) $(LIBSUFFIX) -lshrutil_$(LIB_ARCH) $(LIBSUFFIX)
至此，就可以完成cuda-convnet的編譯了。
更多詳情見請繼續閱讀下一頁的精彩內容： http://www.linuxidc.com/Linux/2014-10/107500p2.htm
