TensorFlow 在 Google 的推动下，加之其设计***网络结构的代码的简洁度、分布式深度学习算法的执行效率，还有部署的便利性，在诸多的深度框架中脱颖而出。Caffe则是主要用于计算机视觉领域的深度学习框架，其全称为 Convolutional Architecture for Fast FeatureEmbedding，目前由伯克利视觉学中心affe 的代码成熟度较高，可以算是一个主流工业级单机运行的深度学习框架。

本文采用Toradex 基于nVdia Tegra K1 芯片的ARM核心板Apalis TK1模块进行测试， Tegra K1片上集成了 192 个支持 CUDA 运算的 GPU 核心。该 GPU 除了能够完成视频编***外，还可以借助 CUDA、OpenCL用于并行计算。由于 Tegra K1采用了和桌面显卡一样的 GPU架构，Apalis TK1 也能够实现利用 cuDNN对 Caffe 进行加速运算。

2). 具体操作

下面我们将介绍如何在 Apalis TK1上安装 Caffe、OpenCV3，并演示物体识别算法。

首先，使用 Toradex Easy Installer在 Apalis TK1 模块上安装 L4T Ubuntu 系统。具体操作请参考 Toradex EasyInstaller 使用说明。由于***文件较大，整个安装过程需要10分钟左右的时间。

Caffe所需的 cuDNN 需要单独从JetPack中安装，由于仅需要CUDA 工具以及 cuDNN，因此在安装的时间可以不选择其他组件，减少安装时间。安装的组件如下：

通过下面脚本***并编译 OpenCV3，以sudo 权限执行脚本。

---------------------------------------

#!/bin/sh

sudoapt-add-repository universe

sudo apt-getupdate

sudo apt-get installbuild-essential make cmake cmake-curses-gui g++ pkg-config-y

sudo apt-get installlib***format-dev lib***util-dev libswscale-dev -y

sudo apt-get installlibv4l-dev -y

sudo apt-get installlibeigen3-dev -y

sudo apt-get installlibglew1.6-dev -y

sudo apt-get installlibgtk2.0-dev -y

sudo apt-get -yinstall checkinstall ya***

sudo apt-get -yinstall libgstreamer1.0-dev libgstreamer-plugins-base1.0-devlibxine-dev libgstreamer0.10-devlibgstreamer-plugins-base0.10-dev

sudo apt-get -yinstall python-dev python-numpy -y

sudo apt-get -yinstall libfaac-dev libjack-jackd2-dev libmp3lame-devlibopencore-amrnb-dev libopencore-amrwb-dev libsdl1.2-dev libva-devlibvdpau-dev libxvidcore-devtexi2html git

NUM_THREADS=4

ver=3.4.0

git clonegit:///opencv/opencv.git opencv-$ver

cdopencv-$ver

git checkout$ver

mkdirbuild

cd build

cmake -DWITH_CUDA=ON-DCUDA_ARCH_BIN="3.2" -DCUDA_ARCH_PTX="" -DBUILD_TESTS=OFF-DBUILD_PERF_TESTS=OFF -DENABLE_NEON=ON -DBUILD_EXAMPLES=ON-DBUILD_opencv_python2=ON -DWITH_OPENMP=ON -DENABLE_NEON=ON-DWITH_GSTREAMER_0_10=ON ..

make-j$NUM_THREADS

sudo make-j$NUM_THREADS install

/bin/echo -e"\e[1;32mOpenCV simple build installationcomplete.\e[0m"

---------------------------------------

https:///tgHSYzw3

完成安装后运行 sudo ldconfig 命令，更新 OpenCV 库文件。

*** Caffe，***新版本的Caffe 需要更高版本的 cuDNN支持，Tegra K1 目前只支持 cuDNN v2。

---------------------------------------

#!/bin/sh

sudo apt-get installlibprotobuf-dev protobuf-compiler gfortran \

libboost-dev cmakelibleveldb-dev libsnappy-dev \

libboost-thread-devlibboost-system-dev libboost-python-dev \

libatlas-base-devlibhdf5-serial-dev libgflags-dev \

libgoogle-glog-devliblmdb-dev -y

git clonegit:///platotek/caffetk1.git

cdcaffetk1

nfig.example nfig

---------------------------------------

https:///SvkfBDy0

修改 nfig ，添加 cuDNN 、 OpenCV3 支持，以及 CUDA 库文件

---------------------------------------

# cuDNN accelerati***witch (uncomment to build with cuDNN).

USE_CUDNN :=1

# Whatever else youfind you need goes here.

INCLUDE_DIRS :=$(PYTHON_INCLUDE) /usr/local/include \

                 /usr/local/cuda-6.5/include

LIBRARY_DIRS :=$(PYTHON_LIB) /usr/local/lib /usr/lib \

                 /usr/local/cuda-6.5/lib

# Uncomment if you'reusing OpenCV 3

OPENCV_VERSION :=3

# Uncomment to use`pkg-config` to specify OpenCV library paths.

# (Usually notnecessary -- OpenCV libraries are normally installed in one of theabove $LIBRARY_DIRS.)

USE_PKG_CONFIG :=1

---------------------------------------

修改 Makefile 文件，添加imgcodecs

---------------------------------------

LIBRARIES += gloggflags protobuf leveldb snappy \

       lmdb boost_system hdf5_hl hdf5 m \

       opencv_core opencv_highgui opencv_imgprocopencv_imgcodecs

---------------------------------------

***后运行

---------------------------------------

make -j 4all

makepycaffe

---------------------------------------

***物体识别python 应用。解压后进入应用目录，配置caffe python 目录

---------------------------------------

exportPYTHONPATH=/home/ubuntu/caffetk1/python:$PYTHONPATH

python deep_learning_object_detection.py --totxt.txt --ffemodel --imageimages/g