這個很簡單，在網上就有很多的安裝教程，但我這裡也稍微講下吧。我這裡用的是ubuntu的系統。
首先登陸root賬號
cd caffe/
mv makefile.config.example makefile.config
修改makefile.config：
vi makefile.config
如果電腦上沒有gpu，需要把其中的cpu_only開啟，就是去掉注釋。
下面這個是vi的一些操作指令，本人新手，所以想新手都可能會用到。
編譯caffe：
make -j
對了，本人一開始用的電腦比較舊多執行緒貌似不支援，編譯就用的是
make all
有很多教程是在caffe安裝之前做這部的，但是我說了，我之前的caffe是已經裝好的cpu版的，所以之後想改，就自己找了資料，進行修改了。因為用的是多gpu的伺服器，肯定要並行運算啊，不然要那麼多gpu幹嘛？所以要並行就要安裝nccl，不然是不行的。
安裝步驟：
git clone
cd nccl
sudo make install -j4
nccl 庫和檔案頭將安裝在 /usr/local/lib 和 /usr/local/include 中。
之前說了，很多教程是在編譯caffe之前安裝nccl的，為什麼呢，因為修改了makefile.config啊！！
因為要進行並行使用，所以在makefile.config中要把use_nccl=1前面的注釋去掉，同樣使用vi命令啦。
這樣修改儲存後，接下來就是重新編譯caffe了。
首先，是將之前的clean掉了，輸入：
make clean
然後，重新編譯：
make -j
到這裡之後，我就試著使用：
./build/tools/caffe train -solver=examples/mnist/lenet_solver.prototxt -gpu all
進行測試啦，結果果然出錯了。。。。。
具體的錯誤就是：
error while loading shared libraries: libnccl.so.1: cannot open shared object file: no such file or directory
說是沒有這個檔案，我又開始搜啊搜。。。
結果是在一篇部落格找到解決方案：
具體的原因說是：但執行需要呼叫該共享庫的程式的時候, 程式按照預設共享庫路徑找不到該共享庫檔案。
方法很簡單，就是用root賬戶執行下:
ldconfig
這個命令，就好了，對了，第乙個是l的小寫，不是i的大寫哦。
對了，這個部落格位址是：
有興趣可以看看的。
我解決好這個問題後又開心的執行上面的：
./build/tools/caffe train -solver=examples/mnist/lenet_solver.prototxt -gpu all
結果就是又出錯了啊！！！錯誤就是下面這個：
check failed: result == ncclsuccess (1 vs. 0) unhandled cuda error
大概看了一下，意思就是nccl沒有成功，我沒有再上網亂搜，而是想起來之前看的gpu伺服器的介紹，想起來我這台伺服器上有9塊gpu，但實際上只有8塊是真的能使用的，另一塊是伺服器自己的用來顯示什麼的一些其他功能的，所以我就想是不是那塊的原因，於是我就修改了下命令：
這次終於沒有出錯，開始了它該做的事情。
（所以大家做事要耐心。。。）
其實我就是個新手，就是蒐集了些資料，想方便自己，也方便別人看看，如果有人看得到的話。。。
GPU雲伺服器
您只需要專注於深度學習本身，無需安裝任何深度學習環境，零設定開啟您的深度學習之旅。極客雲，為深度學習而生，您只需簡單幾步操作即可測試和訓練您的模型。上傳的資料將會被掛載到 連線後伺服器的 data 目錄下 類似linux命令的使用方法 不要在 data追直接解壓，否則很慢 no module nam...
租用GPU伺服器
如果是長期使用，建議自己購買帶顯示卡的硬體伺服器，這樣綜合性比價最高 如果是短期或臨時使用，建議租用雲伺服器，方便快捷，隨用隨買，節省成本，那麼租用雲伺服器，相比 gpu 傳統線下應用，雲上 gpu 主要服務以海量資料為特徵的高效能計算，有下面三大應用領域 圖形影象處理 gpu 的傳統用途，在雲上面...
linux伺服器如何指定gpu以及用量
from 在終端執行程式時指定gpu cuda visible devices 0 python your file.py 指定gpu集群中第一塊gpu使用,其他的遮蔽掉 cuda visible devices 1 only device 1 will be seen cuda visible d...