因为Apollo中的深度学习框架采用的是Caffe2框架，我们需要安装好Caffe2的环境才能进一步学习，下面主要介绍了如何安装Caffe2。安装完成之后，就可以训练深度学习模型了。
我们以有显卡的情况为例，来安装caffe2环境，安装caffe2之前需要先安装英伟达的显卡驱动，之后还要安装cuda toolkit和cuDNN，最后安装Caffe2。
我们先把需要安装的软件列出来，再告诉如何选择对应的版本：
- 操作系统: Ubuntu 16.04.5 LTS
- 显卡驱动版本: 384.130
- CUDA Toolkit版本: CUDA Toolkit 9.0
- cuDNN 版本: cuDNN v7.6.0
- pytorch 版本: pytorch-nightly-1.2.0
ubuntu 16.04可以在设置"System Settings - Software & Updates"中选择Using NVIDIA驱动。
安装好驱动后可以通过下面的命令来验证驱动是否安装成功：
root@root:~/cuda/$ nvidia-smi
Wed May 29 12:05:01 2019
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 384.130 Driver Version: 384.130 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 GeForce MX130 Off | 00000000:02:00.0 Off | N/A |
| N/A 73C P0 N/A / N/A | 1240MiB / 2002MiB | 67% Default |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
| 0 1682 G /usr/lib/xorg/Xorg 445MiB |
| 0 2744 G compiz 192MiB |
| 0 3101 G ...quest-channel-token=7501548652516259525 599MiB |
+-----------------------------------------------------------------------------+
安装好显卡驱动后，就可以安装CUDA了，那么我们如何选择CUDA版本呢？首先查看显卡驱动版本，就是上面"nvidia-smi"显示的"Driver Version: 384.130"，然后查看下表，官网地址：
可以看到驱动版本">= 390.46"选择CUDA 9.0，当然还需要查看下内核，GCC,GLIBC版本是否支持，参照下表，官网地址：
查看linux内核版本:
root:~/cuda$ cat /proc/version
Linux version 4.15.0-50-generic (buildd@lgw01-amd64-029) (gcc version 5.4.0 20160609 (Ubuntu 5.4.0-6ubuntu1~16.04.10)) #54~16.04.1-Ubuntu SMP Wed May 8 15:55:19 UTC 2019
这里提供的是支持CUDA10.1需要的配置，我目前的ubuntu 16.04已经都支持了，所以9.0肯定没有问题。
选择好版本后，就可以下载安装CUDA了，CUDA官方的下载地址，选择对应的版本，下载之后运行：
sudo sh cuda_9.0.176_384.81_linux.run
记住前面已经安装了驱动，所以安装CUDA的时候第一步需要跳过安装驱动，只安装CUDA Toolkit，接着按照提示安装就可以了。
安装完成之后，我们需要设置CUDA环境变量才能运行:
sudo vi ~/.bashrc
在文件最后增加2行：
export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda-9.0/lib64:/usr/local/cuda-9.0/extras/CUPTI/lib64"
export CUDA_HOME=/usr/local/cuda-9.0
将环境变量生效:
source ~/.bashrc
我们可以通过samples的deviceQuery来检验CUDA是否安装成功。
cd /usr/local/cuda/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery
如果提示"Result = PASS"，则表示安装成功，如果提示"Result = FAIL"，则表示安装失败：
$ ./deviceQuery
./deviceQuery Starting...
CUDA Device Query (Runtime API) version (CUDART static linking)
Detected 1 CUDA Capable device(s)
Device 0: "GeForce MX130"
CUDA Driver Version / Runtime Version 9.0 / 9.0
CUDA Capability Major/Minor version number: 5.0
Total amount of global memory: 2003 MBytes (2100232192 bytes)
( 3) Multiprocessors, (128) CUDA Cores/MP: 384 CUDA Cores
GPU Max Clock rate: 1189 MHz (1.19 GHz)
Memory Clock rate: 2505 Mhz
Memory Bus Width: 64-bit
L2 Cache Size: 1048576 bytes
Maximum Texture Dimension Size (x,y,z) 1D=(65536), 2D=(65536, 65536), 3D=(4096, 4096, 4096)
Maximum Layered 1D Texture Size, (num) layers 1D=(16384), 2048 layers
Maximum Layered 2D Texture Size, (num) layers 2D=(16384, 16384), 2048 layers
Total amount of constant memory: 65536 bytes
Total amount of shared memory per block: 49152 bytes
Total number of registers available per block: 65536
Warp size: 32
Maximum number of threads per multiprocessor: 2048
Maximum number of threads per block: 1024
Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
Max dimension size of a grid size (x,y,z): (2147483647, 65535, 65535)
Maximum memory pitch: 2147483647 bytes
Texture alignment: 512 bytes
Concurrent copy and kernel execution: Yes with 1 copy engine(s)
Run time limit on kernels: Yes
Integrated GPU sharing Host Memory: No
Support host page-locked memory mapping: Yes
Alignment requirement for Surfaces: Yes
Device has ECC support: Disabled
Device supports Unified Addressing (UVA): Yes
Supports Cooperative Kernel Launch: No
Supports MultiDevice Co-op Kernel Launch: No
Device PCI Domain ID / Bus ID / location ID: 0 / 2 / 0
Compute Mode:
< Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >
deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 9.0, CUDA Runtime Version = 9.0, NumDevs = 1
Result = PASS
我们安装好了CUDA之后，如果希望深度学习训练的时候能够加速，则需要安装"cuDNN"，这一步很简单，只需要根据CUDA的版本选择对应的cuDNN版本就可以了。
可以在官网下载，CUDA 9.0对应的cuDNN版本为v7.6.0，下载选择linux版本。
下载完成之后解压文件：
tar -xzvf cudnn-9.0-linux-x64-v7.6.0.64.tgz
解压之后的文件如下:
├──cuda
│ ├── include
│ │ └── cudnn.h
│ ├── lib64
│ │ ├── libcudnn.so -> libcudnn.so.7
│ │ ├── libcudnn.so.7 -> libcudnn.so.7.6.0
│ │ ├── libcudnn.so.7.6.0
│ │ └── libcudnn_static.a
│ └── NVIDIA_SLA_cuDNN_Support.txt
然后把文件拷贝到CUDA的目录下就可以了：
sudo cp cuda/include/cudnn.h /usr/local/cuda-9.0/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda-9.0/lib64
经过上面的步骤，我们就安装好了整个CUDA环境，主要是确认好CUDA版本，如果版本不对，对应的检测就不通过。需要仔细确认系统支持的CUDA版本。
caffe2选择直接用anaconda安装，因为anaconda集成了大部分的工具，安装起来也很简单：
conda install pytorch-nightly -c pytorch
这是官网的安装说明
至此所有的安装就已经完成了，可以开始深度学习的尝试了。
上面的方法是直接安装编译好的caffe2，而有些选项默认为关闭，想要打开这些选项（例如USE_LMDB），就需要从源码安装caffe2。
从源码安装caffe2可以参考官网教程。
- 安装依赖
conda install numpy ninja pyyaml mkl mkl-include setuptools cmake cffi typing
- 安装magma
# Add LAPACK support for the GPU if needed
conda install -c pytorch magma-cuda90 # or [magma-cuda92 | magma-cuda100 ] depending on your cuda version
- 下载PyTorch
git clone --recursive https://github.com/pytorch/pytorch
cd pytorch
# if you are updating an existing checkout
git submodule sync
git submodule update --init --recursive
- 安装PyTorch
export CMAKE_PREFIX_PATH=${CONDA_PREFIX:-"$(dirname $(which conda))/../"}
python setup.py install
如果需要运行MNIST.ipynb的例子，需要同时安装LMDB，参考issue
1. install lmdb
conda install lmdb leveldb
2. rebuild caffe2 from source
USE_LMDB=ON python setup.py install --cmake
这之后整个安装过程就结束了，现在你可以试一试在jupyter-notebook中运行MNIST.ipynb，开始学习caffe2！
Ubuntu16.04+Ananconda3+CUDA+CUDNN+Tensorflow-gpu配置教程
ubuntu16.04下安装CUDA，cuDNN及tensorflow-gpu版本过程