TSN是”–”的简称，是视频动作识别任务里面当前最好的方法。虽然这个结构是在的论文里面提出来的，代码也放出来挺长时间了，但是这个项目里面集合了Caffe， ，CUDA，CUDNN等几大神坑项目，不同版本之间的依赖、选择等问题很麻烦，因此我之前编译了好几次都没有能够编译成功。这次花了近一天的时间来重新编译了一下整个项目，虽然还是有些问题，例如MPI编译没有通过，CUDA8貌似不支持，CuDNN v5好像也不支持，但最后总算是编译通过，可以运行了。所以记录一下整个的过程，期望对自己和别人能够有所帮助。
1. 编译
因为TSN这个项目里面有提取光流的code，其中利用的是里面的利用GPU来提取光流的代码，所以需要用到。虽然可以使用系统已经编译好的，但是在编译的时候发现还依赖中的库，所以为了避免重新编译系统的影响别的用户，我自己编译了一个新的版本的，放在自己的目录下。因为我们服务器上已经装过了3.1.0版本的(可以通过pkg- — 命令来查看的版本)，所以为了避免编译时寻找目录中的文件的时候报错，这里在自己的目录下安装3.1.0版本的和外部的库（因为代码需要用到额外的库）。
1. 下载最新版本的 和 , 确保两个库都切换到3.1.0这个分支:
代码语言：
复制
cd /data5/yunfeng/Dev/git
git clone https://github.com/opencv/opencv.git
cd opencv
git checkout 3.1.0
cd ../
git clone https://github.com/opencv/opencv_contrib.git
cd opencv_contrib
git checkout 3.1.02. 利用cmake和make命令来编译
代码语言：
复制
cd ../opencv
mkdir release; cd release
cmake -D OPENCV_EXTRA_MODULES_PATH=/data5/yunfeng/Dev/opencv_contrib/modules -D CMAKE_BUILD_TYPE=RELEASE -D WITH_TBB=ON -D BUILD_NEW_PYTHON_SUPPORT=ON -D INSTALL_C_EXAMPLES=ON -D INSTALL_PYTHON_EXAMPLES=ON -D BUILD_EXAMPLES=ON -D ENABLE_FAST_MATH=1 -D CUDA_FAST_MATH=1 -D WITH_CUBLAS=1 -D CMAKE_INSTALL_PREFIX=/data5/yunfeng/local -D CUDA_TOOLKIT_ROOT_DIR=/usr/local/cuda-7.5 ..
make -j40
make install -j40这里有几个地方需要注意:
cmake的时候报错：
代码语言：
复制
-- ICV: Downloading ippicv_linux_20151201.tgz...
CMake Error at 3rdparty/ippicv/downloader.cmake:73 (file):
file DOWNLOAD HASH mismatch
for file: [/path/to/opencv/3rdparty/ippicv/downloads/linux-808b791a6eac9ed78d32a7666804320e/ippicv_linux_20151201.tgz]
expected hash: [808b791a6eac9ed78d32a7666804320e]
actual hash: [f166287239920c4a16e6f8870e15ef79]这个问题可以通过直接在这里下载1.tgz 文件，并放置到////linux-/目录下，然后重新运行cmake即可。
2. 编译TSN
TSN代码里面包含3个，分别是.4.12, 提取光流的和修改过的caffe caffe-。我们这里已经编译过，所以接下来编译和caffe-, 作者给出的.sh执行会有些问题，我们可以参照这个文件的内容，自己一步步地编译各个部分。
1. 编译
依赖于-dev这个包，可以通过系统的包管理器安装。我本来是想自己编译的，但是编译后，在make 的时候还是报错，最后还是让管理员老师装了这个包。装完依赖后，开始执行cmake，使用参数来设置目录，指向我们自己刚才编译的。
代码语言：
复制
cd /data5/yunfeng/Dev/git
git clone --recursive https://github.com/yjxiong/temporal-segment-networks tsn
cd tsn
cd lib/dense_flow
mkdir build; cd build
OpenCV_DIR=/data5/yunfeng/Dev/opencv/release cmake -D CUDA_TOOLKIT_ROOT_DIR=/usr/local/cuda-7.5 ..
make -j40
make install -j40如果-dev这个包是自己安装的，且没有放在系统目录下，你需要增加几个选项来执行cmake，像下面这样：
代码语言：
复制
OpenCV_DIR=/data10/yunfeng/Dev/git/opencv/release cmake -D CUDA_TOOLKIT_ROOT_DIR=/data1/yunfeng/cuda -D LIBZIP_LIBRARY=/data1/yunfeng/local/lib -D LIBZIP_INCLUDE_DIR_ZIP=/data1/yunfeng/local/include -D LIBZIP_INCLUDE_DIR_ZIPCONF=/data1/yunfeng/local/lib/libzip/include ..2. 编译caffe-
作者原来的代码是通过MPI来并行运行的，所以需要通过如下的cmake命令来编译caffe:
代码语言：
复制
OpenCV_DIR=/data5/yunfeng/Dev/opencv/release cmake -DUSE_MPI=ON -D CUDA_TOOLKIT_ROOT_DIR=/usr/local/cuda-7.5 -DMPI_CXX_COMPILER="/usr/bin/mpicxx" ..
make -j40但是这样编译的时候，CuDNN会报错，没有办法，我就用常规的make来编译了caffe-:
代码语言：
复制
cd lib/caffe-action
cp Makefile.config.example Makefile.config
vim Makefile.config # change the settings
make -j40这样整个工程就编译完了，好像也不是很复杂，但是出现问题解决不了的时候还是挺令人烦躁的。
3.
这里列出来一些编译和使用这个项目过程中常出现的问题，大多和, Caffe, CUDA和CuDNN相关
在使用的的时候，总提示” FATAL [] Check : [.()] open video “true” for flow .”,这是因为作者原来的代码tsn/tools/.py文件里面，使用的的时候，参数是以空格分隔的，如-f {} -x {} -y {} -i {} -b 20 -t 1 -d {} -s 1 -o {} -w {} -h {}, 但是新版的里面都是用等号=来分割的，不知道是不是某个版本修改了接口还是怎么回事，将空格改成等号即可，如-f={} -x={} -y={} -i={} -b=20 -t=1 -d={} -s=1 -o={} -w={} -h={}。 在使用CUDA8来编译项目的时候，会提示”.so: to `M”, 网上的回答也很少，可能是CUDA8出来没多久，讨论还不是很多吧。所以我暂时认为这个项目不支持CUDA8。 使用.4.12编译的时候，会提示”/usr////.hpp:81:5: error: ‘’ does not name a type * info() const;”。这是因为我们服务器上已经装了.1.0，所以在编译的时候，会找系统目录下的头文件，而3版本的头文件和2版本的头文件不一致，导致出现这个问题。按理来说，这个问题可以通过修改头文件寻找路径，使得编译器使用2版本的头文件即可，但是我不知道怎么在cmake的时候指定头文件。。所以没办法，还是采用了3版本的来编译。有关的讨论见。
发表回复