安装过程
1.安装相关依赖项
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-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
 
2.安装NVIDIA驱动
（1）查询NVIDIA驱动
首先去官网(http://www.nvidia.com/Download/index.aspx?lang=en-us)查看适合自己显卡的驱动：
ubuntu16.04 cuda8.0 opencv3.2.0 caffe安装
图1.显卡驱动查询
例如本人电脑的显卡驱动如下图：
ubuntu16.04 cuda8.0 opencv3.2.0 caffe安装
图2.显卡驱动版本
（2）安装驱动
安装之前先卸载已经存在的驱动版本：
sudo apt-get remove --purge nvidia*
若电脑是集成显卡（NVIDIA独立显卡忽略此步骤），需要在安装之前禁止一项：
sudo service lightdm stop
执行以下指令安装驱动：
sudo add-apt-repository ppa:xorg-edgers/ppa
sudo apt-get update
sudo apt-get install nvidia-367 #注意在这里指定自己的驱动版本！
安装完成之后输入以下指令进行验证：
sudo nvidia-smi
若列出了GPU的信息列表则表示驱动安装成功。
（win10注意要先关闭主板密码）
 
3.安装CUDA
CUDA是NVIDIA的编程语言平台，想使用GPU就必须要使用cuda。
（1）下载CUDA
首先在官网上(https://developer.nvidia.com/cuda-downloads)下载CUDA：
ubuntu16.04 cuda8.0 opencv3.2.0 caffe安装
图3.CUDA下载
（2）安装CUDA
下载完成后执行以下命令：
sudo sh cuda_8.0.27_linux.run
注意：执行后会有一系列提示让你确认，但是注意，有个让你选择是否安装nvidia361驱动时，一定要选择否：
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 361.62?
因为前面我们已经安装了更加新的nvidia367，所以这里不要选择安装。其余的都直接默认或者选择是即可。
可能出现的错误：
当出现“unsupport complier”错误时，说明gcc版本太高，需要降低gcc版本。解决办法如下：
以gcc4.9与g++4.9为例
安装低版本gcc与g++：
sudo apt-get install gcc-4.9 g++-4.9
之后进入/usr/bin:
cd /usr/bin
先删除和gcc5.0关联的gcc:
sudo rm gcc
sudo rm g++
再建个软连接
sudo ln -s gcc-4.9 gcc
sudo ln -s g++-4.9 g++
然后重新安装。
（3）环境变量配置
打开~/.bashrc文件：
sudo vim ~/.bashrc
将以下内容写入到~/.bashrc尾部：
export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
（4）测试CUDA的sammples
cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuerymakesudo ./deviceQuery
如果现实一些关于GPU的信息，则说明安装成功。
 
4.配置cuDNN
cuDNN是GPU加速计算深层神经网络的库。
首先去官网(https://developer.nvidia.com/rdp/cudnn-download)下载cuDNN,可能需要注册一个账号才能下载。由于本人的显卡是GTX1080，所以下载版本号如下图：
ubuntu16.04 cuda8.0 opencv3.2.0 caffe安装
图4.cuDNN下载
下载cuDNN5.1之后进行解压，cd进入cuDNN5.1解压之后的include目录，在命令行进行如下操作：
sudo cp cudnn.h /usr/local/cuda/include/    #复制头文件
再将cd进入lib64目录下的动态文件进行复制和链接：
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.5.0.5 libcudnn.so.5  #生成软衔接
sudo ln -s libcudnn.so.5 libcudnn.so      #生成软链接
 
5.安装opencv3.1
从官网(http://opencv.org/downloads.html)下载Opencv,并将其解压到你要安装的位置，假设解压到了/home/opencv。
安装前准备，创建编译文件夹：
cd ~/opencv
mkdir build
cd build
配置：
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..
编译：
make -j8 #-j8表示并行计算，根据自己电脑的配置进行设置，配置比较低的电脑可以将数字改小或不使用，直接输make。
以上只是将opencv编译成功，还没将opencv安装，需要运行下面指令进行安装：
sudo make install
可能会出现的错误：
错误内容1：
gcc-4.9: error trying to exec 'cc1plus': execvp: 
没有那个文件或目录
说明gcc与g++版本不兼容，解决办法跟gcc版本太高时一样：
安装低版本gcc与g++：
sudo apt-get install gcc-4.9 g++-4.9
之后进入/usr/bin:
cd /usr/bin
先删除和gcc5.0关联的gcc:
sudo rm gcc
sudo rm g++
再建个软连接
sudo ln -s gcc-4.9 gcc
sudo ln -s g++-4.9 g++
错误内容2：
modules/cudalegacy/src/graphcuts.cpp:120:54: error: 
‘NppiGraphcutState’ has not been declared
typedef NppStatus (*init_func_t)(NppiSize oSize, 
NppiGraphcutState** ppState, Npp8u* pDeviceMem);
这是因为opecv3.0与cuda8.0不兼容导致的。解决办法：
修改 ～/opencv/modules/cudalegacy/src/graphcuts.cpp文件内容，如图：
ubuntu16.04 cuda8.0 opencv3.2.0 caffe安装
图5.文件修改
 
6.配置caffe
（1）将终端cd到要安装caffe的位置。
（2）从github上获取caffe：
git clone https://github.com/BVLC/caffe.git
注意：若没有安装Git，需要先安装Git：
sudo apt-get install git
（3）因为make指令只能make Makefile.config文件，而Makefile.config.example是caffe给出的makefile例子，因此，首先将Makefile.config.example的内容复制到Makefile.config：
sudo cp Makefile.config.example Makefile.config
（4）打开并修改配置文件：
sudo gedit Makefile.config #打开Makefile.config文件
根据个人情况修改文件：
a.若使用cudnn，则
将
#USE_CUDNN := 1
修改成： 
USE_CUDNN := 1
b.若使用的opencv版本是3的，则
将
#OPENCV_VERSION := 3 
修改为： 
OPENCV_VERSION := 3
c.若要使用python来编写layer，则
将
#WITH_PYTHON_LAYER := 1 
修改为 
WITH_PYTHON_LAYER := 1
d.重要的一项 :
将# Whatever else you find you need goes here.下面的
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 := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial       
这是因为ubuntu16.04的文件包含位置发生了变化，尤其是需要用到的hdf5的位置，所以需要更改这一路径.
（5）修改makefile文件
打开makefile文件，做如下修改：
将：
NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC $(COMMON_FLAGS)
改为：
NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)
如果make时报错 可以用cmake-gui编辑下
（6）编辑/usr/local/cuda/include/host_config.h  (新版CUDA8.0已经不用)
ctrl+F查找4.9出现的地方，大约位于115行，在第113行处应该显示if _GNUC_>4 || (_GNUC_ == 4 && _GNUC_MINOR_ > 9)，因为我们的是5.2.1，因此，把上面的2个4都改成5就ok了，保存退出。
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!
（7）编译
安装mkl 下载链接https://software.intel.com/en-us/qualify-for-free-software/student
下载时登录教育邮箱帐号并记住密码
下载解压之后，运行install.sh 脚本， 一路默认安装即可。在安装开始的时候需要输入序列号，这个如果你在网站上留了有效邮箱，邮件里面是会发给你序列号，输入即可。
在写好链接代码的脚本后，这时候调用intel库还是会出问题,会提示mkl cannot open shared object file no such file or directory，需要在系统PATH路径中加入代码
1: 获得root权限， $ su  
2: $  gedit /etc/profile
3: 在末尾处加入代码：
export PATH=":/opt/intel/bin:$PATH"
export LD_LIBRARY_PATH=$LD_LIBRARY_LIB:/opt/intel/lib/intel64:/opt/intel/mkl/lib/intel64
4: $  source /etc/profile  如果没有报错，则path生效
将MakeFile.comfig中BLAS 修改为 BLAS := mkl
 
或安装OpenBlas
sudo apt-get install libopenblas-base
 
make all -j8 #-j根据自己电脑配置决定
编译过程中可能会出现如下错误：
错误内容1：
"fatal error: hdf5.h: 没有那个文件或目录"
解决办法：
step1:在Makefile.config文件的第85行，添加/usr/include/hdf5/serial/ 到 INCLUDE_DIRS，也就是把下面第一行代码改为第二行代码。
将：
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
替换为：
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial/
stept2:在Makefile文件的第173行，把 hdf5_hl 和hdf5修改为hdf5_serial_hl 和 hdf5_serial，也就是把下面第一行代码改为第二行代码。
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
错误内容2：
"libcudart.so.8.0 cannot open shared object file: No such file or directory"
解决办法是将一些文件复制到/usr/local/lib文件夹下：
#注意自己CUDA的版本号！
sudo cp /usr/local/cuda-8.0/lib64/libcudart.so.8.0 /usr/local/lib/libcudart.so.8.0 && sudo ldconfig
sudo cp /usr/local/cuda-8.0/lib64/libcublas.so.8.0 /usr/local/lib/libcublas.so.8.0 && sudo ldconfig
sudo cp /usr/local/cuda-8.0/lib64/libcurand.so.8.0 /usr/local/lib/libcurand.so.8.0 && sudo ldconfig
错误内容3：
waring nvcc
解决办法：修改maleficent.config 中CUDA_ARCH  变量 改成与你显卡相匹配的数值。
（8）测试
sudo make runtest
如果运行之后出现下图，说明caffe配置成功。
ubuntu16.04 cuda8.0 opencv3.2.0 caffe安装
图6.caffe测试结果
到此caffe配置完毕！
 
MNIST数据集测试
配置caffe完成后，我们可以利用MNIST数据集对caffe进行测试，过程如下：
 
1.将终端定位到Caffe根目录
cd ~/caffe
 
2.下载MNIST数据库并解压缩
./data/mnist/get_mnist.sh
 
3.将其转换成Lmdb数据库格式
./examples/mnist/create_mnist.sh
 
4.训练网络
./examples/mnist/train_lenet.sh
训练的时候可以看到损失与精度数值，如下图：
ubuntu16.04 cuda8.0 opencv3.2.0 caffe安装
图7.MNIST数据集训练
可以看到最终训练精度是0.9914。