无奈笔记本的性能太渣，双系统切换太麻烦，索性就拿tx2来当第二台电脑，需要在linux上跑的demo都放到tx2上跑；
先安装caffe（我重刷了两次机o(『﹏『)o）。
先配置依赖项
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
（看他人的博客要安装libopencv-dev，但是我安装时出现opencv版本的问题，所以没安装，在使用opencv的python库时并没有出现什么问题，所以暂且不管）
sudo apt-get install –no-install-recommends libboost-all-dev
然后是python的相关安装：
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
当然还要安装pip
sudo apt-get install python-pip
然后sudo pip install –upgrade pip
但是用pip安装python包时会出现速度非常慢的现象，安装一个包少则四五分钟，多则十几分钟，可能是tx2的cpu核心是A57,和X86比还是有很大差距，导致编译时慢（看top猜的），所以建议尽量用apt-get安装
然后是谷歌glog和gflags和lmdb依赖项
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
接着安装git，并且下载代码
sudo apt-get install git
git clone https://github.com/BVLC/caffe.git（github网速真心慢，几K每秒）
进入到源码
cd caffe
cp Makefile.config.example Makefile.config
修改makefile和Makefile.config
vim Makefile.config
去掉USE_CUDNN := 1前的注释，然后去掉
去掉89行左右的WITH_PYTHON_LAYER := 1前的注释
CUDA_ARCH := -gencode arch=compute_20,code=sm_20 \
-gencode arch=compute_25,code=sm_25 \
-gencode arch=compute_30,code=sm_30 \
-gencode arch=compute_35,code=sm_35 \
-gencode arch=compute_50,code=sm_50 \
-gencode arch=compute_52,code=sm_52 \
-gencode arch=compute_60,code=sm_60 \
-gencode arch=compute_61,code=sm_61 \
-gencode arch=compute_61,code=compute_61
为了匹配cuda8的计算能了去掉
-gencode arch=compute_20,code=sm_20 \
-gencode arch=compute_25,code=sm_25 \
在92行左右将
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
改为
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial/
然后改Makefile.config
将175行左右的
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5
改为
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial
然后
sudo make clean
sudo make -j8
（这里调用大牛的结果，以及大牛博客：http://blog.csdn.net/jiongnima/article/details/70040262）
在这里caffe的安装已经完成，来用一下caffe自带的minst demo来体验一下：
cd caffe；
sudo sh data/minst/get_mnist.sh
下载mnist的数据集
然后
sudo sh example/mnist/create_mnist.sh
sudo sh example/mnist/train_lenet.sh
可以看到caffe识别出TX2的GPU并调用TX2的GPU在跑demo
从结果看caffe的mnist sample用了两层卷积，跑完训练用了2分多钟，并且准确率达到99%，（比matlab跑快好多；虽然网上说GPU+CUDNN只要45秒，但这边要两分钟，可能是TX2毕竟属于移动版，还是比不上GTX系列或者专业显卡）（注意caffe的example的sample文件里是相对路径的相对于caffe文件夹，所以cd到caffe文件加下运行sh）
这边我再说一下我踩得两个坑：
1：在跑比如github上的rcnn时，编译github会出现Makefile 563的错误，那是因为github上caffe-rcnn包中的cudnn版本的原因，解决方法是将下载的caffe中src/layers/,src/util/,include/caffe/layers/,include/caffe/util/文件中的cudnn文件复制替换caffe-rcnn文件的相应位置的cudnn文件
2：在运行如rcnn的demo.py时会出现类似
ImportError: No module named gpu_nms
那时因为在nms文件夹下的文件是对于桌面平台的GPU及CPU编译的，你需要删除然后进入lib目录下
执行make命令，编译时可能会出现相应的python包没安装，只要pip或apt-get就行了
然后再运行demo.py就可以了
