1. Ubuntu访问U盘
在Ubuntu下，如果U盘自动被挂载了，应该在/media/你的用户名/disk
2. 使用U盘安装Ubuntu14.04
怎样制作ubuntu安装u盘
3. Ubuntu14.04鼠标闪烁问题
Ubuntu14.04及以上操作系统鼠标闪烁问题
4. 安装CUDA Toolkit
4.1 下载cuda及安装指南
1）下载官方安装指南，后面的安装按照《NVIDIA CUDA INSTALLATION GUIDE FOR LINUX》进行即可。
2）CUDA Toolkit功能如下图所示：
具体包括以下内容：
- CUDA driver
- Tools needed to create,build and runa CUDA application
- Libraries,header files,CUDA samples source code,andother resources
3）
下载CUDA Toolkit 7.5
（注：安装CUDA时，将一起安装CUDA Toolkit和显卡Driver）
4.2 安装前工作
1）CUDA 7.5需要的支持环境如下表所示，后面的检查按此表进行
2）确认有支持CUDA的GPU
$ lspci | grep -i nvidia
3）确认Linux系统满足CUDA7.5要求的环境，具体要求见上表
$ uname -m && cat /etc/*release
4）确认gcc版本满足上表要求
$ gcc --version
5）确认系统安装了正确的Kernel Headers和开发包
$ uname -r
$ sudo apt-get install linux-headers-$(uname -r)
4.3 安装
1）选择安装方法
- distribution-specific packages （官方建议）
它与本地包管理系统接口
- distribution-independent package (本文采用，下载deb包)
其优点是可以安装在大部分Linux系统上，但不更新本地包管理系统
2）如果以前安装过别的版本的CUDA Toolkit，在新安装之前，把它卸载掉
$ sudo apt-get --purge remove <package_name> # Ubuntu uninstall RPM/Deb installation
3）Install repository Meta-data
$ sudo dpkg -i cuda-repo-<distro>_<version>_<architecture>.deb
4）Update the Apt repository cache
$sudo apt-get update
5）Install CUDA
$sudo apt-get install cuda
4.4 安装后工作
4.4.1 必做操作
1）设置环境变量（在~/.bashrc中添加如下内容）
$ export PATH=/usr/local/cuda-7.5/bin:$PATH
$ export LD_LIBRARY_PATH=/usr/local/cuda-7.5/lib64:$LD_LIBRARY_PATH
设置完成之后，就可以运行nvcc了，因为它位置/usr/local/cuda-7.5/bin目录下
或相关路径增加到/etc/environment中，对所有用户有效
PATH="/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin:/usr/games:/usr/local/games:/usr/local/cuda-7.5/bin" LD_LIBRARY_PATH="/usr/local/cuda-7.5/lib64"
4.4.2 推荐操作
这些操作用于验证安装的完整性
1）安装例子程序
$ cuda-install-samples-7.5.sh <dir> # dir with write permissions
2）确认Driver版本
$cat /proc/driver/nvidia/version
3）编译例子程序
- nvcc -V #可以验证CUDA Toolkit是否已经安装好
- nvcc用于编译CUDA程序，它调用gcc编译器编译C代码，调用NVIDIA PTX编译器编译CUDA代码
- 进 入NVIDIA_CUDA-7.5_Samples目录，然后执行make，即可编译例子程序，生成的文件位于NVIDIA_CUDA-7.5_Samples/bin目录下
4）运行例子程序
$./deviceQuery
5. 安装常用工具包
5.1 安装ssh server
$sudo apt-get install openssh-server
$sudo ps -e | grep -i sshd # check ssh service startup
$sudo service ssh start # startup ssh service
5.2 安装配置Samba
1）安装Samba
$sudo apt-get install samba samba-common2） 配置Samba
参考：ubuntu14.04如何搭建samba服务器登录home目录
在root账户下执行：gedit /etc/samba/smb.conf，按下图修改：
3）重启服务
#service smbd restart
#service nmbd restart
4）为已有账户增加密码(如:用记名为steve)
#smbpasswd -a steve （设密码为123456）
5）Windows可通过以下方式进行访问
5）Windows可通过以下方式进行访问
路径：\\ip\steve
用户名：steve
密码：123456
密码：123456
6）若访问时出现错误“指定的网络名不再可用”
- 查看/var/log/samba/log.{计算机名} - 计算机名是你的windows主机名称
- 若错误中含有“
../source3/lib/popt_common.c:68(popt_s3_talloc_log_fn)”
- 重新安装以下包，原来的包版本不兼容
$apt-get install --reinstall libsmbclient libsmbclient-dev libtevent0 libtalloc2
5.3Ubuntu下面安装gmake
gmake就是GNU make，在Ubuntu环境下，执行如下命令即可$sudo ln -s /usr/bin/make /usr/bin/gmake
5.4配置TBB
TBB:Intel Threading Building Blocks
1）下载源码包：https://www.threadingbuildingblocks.org/download
比如我下载的包名为：tbb44_20160526oss_src_0.tgz
2）把tbb44_20160526oss_src_0.tgz 拷贝到/opt/tbb目录下
其它的参考：Linux环境下配置Google Test、TBB、OpenMP和OpenCV
比如我下载的包名为：tbb44_20160526oss_src_0.tgz
2）把tbb44_20160526oss_src_0.tgz 拷贝到/opt/tbb目录下
其它的参考：Linux环境下配置Google Test、TBB、OpenMP和OpenCV
#cd /opt/tbb
#tar zxvf tbb44_20160526oss_src_0.tgz
#cd tbb44_20160526oss
#make
上面的操作之所以放在/opt下面，是因为想把TBB装在/opt/tbb目录下，然后用环境变量的方式让编译器找到这个位置，这是TBB推荐的做法。以上这些步骤完成之后，会在tbb44_20160526oss目录下产生build目录，里面是编译出来的结果，然后：
#cd build看到里面有两个目录：linux_intel64_gcc_cc4.8_libc2.19_kernel4.2.0_debug和linux_intel64_gcc_cc4.8_libc2.19_kernel4.2.0_release，分别是debug和release版本。如何让编译器找到这个位置呢？推荐的做法是在~/.bashrc中添加这么几行：
如果使用release版本：
source /opt/tbb/tbb44_20160526oss/build/linux_intel64_gcc_cc4.8_libc2.19_kernel4.2.0_release/tbbvars.sh export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib
如果使用debug版本：
source /opt/tbb/tbb44_20160526oss/build/linux_intel64_gcc_cc4.8_libc2.19_kernel4.2.0_debug/tbbvars.sh export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib关键在于tbbvars.sh，里面其实就是设置环境变量的过程，包括CPATH、LIBRARY_PATH和LD_LIBRARY_PATH，但是这个脚本直接将这三个环境变量设置为tbb的编译目录，而不是添加到当前的环境变量之后，所以需要注意一下。
5.5 安装Python接口
安装Python接口
5.6 安装OpenCV
参见“Ubuntu14.04 安装配置Opencv3.0和Python2.7”
6. 安装cuDNN
cuDNN：CUDA® Deep Neural Network library (cuDNN)
注意：
cuDNN V3.0与V5.0的接口是不兼容的，若需运行别人的代码，需要先看看代码需要哪个版本的cuDNN，然后根据GPU和CUDA的环境进行选择哪个cuDNN
。
cuDNN是一个使用GPU对深度神经网络进行加速的原语库，它为一些标准例程（如：forward,backward,convolution,pooling,normalization and activation layers）提供了高度优化的实现，它是NVIDIA Deep Learning SDK的一部分。
1）下载
cuDNN
2）安装cuDNN
把下载好的cudnn-7.5-linux-x64-v5.0-ga.tgz 拷贝到/opt/cudnn目录下
$sudo tar zxvf cudnn-7.5-linux-x64-v5.0-ga.tgz
$cd /opt/cudnn/cuda/include
$sudo cp * /usr/local/cuda/include
$cd /opt/cudnn/cuda/lib64
$sudo cp * /usr/local/cuda/lib64
7. 安装Caffe编译环境
7.1 安装依赖包
$sudo apt-get install libatlas-base-dev
$sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev
$sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler
$sudo apt-get install python-dev python-numpy python-scipy python-matplotlib
7.2 安装Caffe
$git clone https://github.com/BVLC/caffe.git
$cd caffe
$cp Makefile.config.example Makefile.config
7.3 编译Caffe
$make all $make pycaffe
7.4 测试Caffe
$make test $make runtest
7.5 跑一下mnist
$cd caffe $sh data/mnist/get_mnist.sh $sh examples/mnist/create_mnist.sh $vi examples/mnist/lenet_solver.prototxt # 如果没有GPU,修改solver_mode为 cpu $./examples/mnist/train_lenet.sh