無奈筆記本的性能太渣，雙系統切換太麻煩，索性就拿tx2來當第二台電腦，需要在linux上跑的demo都放到tx2上跑；
先安裝caffe（我重刷了兩次機o(『﹏『)o）。
先配置依賴項
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
（看他人的部落格要安裝libopencv-dev，但是我安裝時出現opencv版本的問題，是以沒安裝，在使用opencv的python庫時并沒有出現什麼問題，是以暫且不管）
然後是python的相關安裝：
sudo apt-get install python-dev
sudo apt-get install python-numpy
sudo apt-get install ipython
sudo apt-get install ipython-notebook
sudo apt-get install python-sklearn
sudo apt-get install python-skimage
sudo apt-get install python-protobuf
當然還要安裝pip
sudo apt-get install python-pip
然後sudo pip install –upgrade pip
但是用pip安裝python包時會出現速度非常慢的現象，安裝一個包少則四五分鐘，多則十幾分鐘，可能是tx2的cpu核心是A57,和X86比還是有很大差距，導緻編譯時慢（看top猜的），是以建議盡量用apt-get安裝
然後是谷歌glog和gflags和lmdb依賴項
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
接着安裝git，并且下載下傳代碼
sudo apt-get install git
進入到源碼
cd caffe
cp Makefile.config.example Makefile.config
修改makefile和Makefile.config
vim Makefile.config
去掉USE_CUDNN := 1前的注釋，然後去掉
去掉89行左右的WITH_PYTHON_LAYER := 1前的注釋
為了比對cuda8的計算能了去掉
-gencode arch=compute_20,code=sm_20 \
-gencode arch=compute_25,code=sm_25 \
在92行左右将
改為
然後改Makefile.config
将175行左右的
然後
sudo make clean
sudo make -j8
在這裡caffe的安裝已經完成，來用一下caffe自帶的minst demo來體驗一下：
cd caffe；
sudo sh data/minst/get_mnist.sh
下載下傳mnist的資料集
sudo sh example/mnist/create_mnist.sh
sudo sh example/mnist/train_lenet.sh
可以看到caffe識别出TX2的GPU并調用TX2的GPU在跑demo
從結果看caffe的mnist sample用了兩層卷積，跑完訓練用了2分多鐘，并且準确率達到99%，（比matlab跑快好多；雖然網上說GPU+CUDNN隻要45秒，但這邊要兩分鐘，可能是TX2畢竟屬于移動版，還是比不上GTX系列或者專業顯示卡）（注意caffe的example的sample檔案裡是相對路徑的相對于caffe檔案夾，是以cd到caffe檔案加下運作sh）
這邊我再說一下我踩得兩個坑：
1：在跑比如github上的rcnn時，編譯github會出現Makefile 563的錯誤，那是因為github上caffe-rcnn包中的cudnn版本的原因，解決方法是将下載下傳的caffe中src/layers/,src/util/,include/caffe/layers/,include/caffe/util/檔案中的cudnn檔案複制替換caffe-rcnn檔案的相應位置的cudnn檔案
2：在運作如rcnn的demo.py時會出現類似
那時因為在nms檔案夾下的檔案是對于桌面平台的GPU及CPU編譯的，你需要删除然後進入lib目錄下
執行make指令，編譯時可能會出現相應的python包沒安裝，隻要pip或apt-get就行了
然後再運作demo.py就可以了