Linux虚拟机里Caffe安装失败，先别急着重装系统，大多数情况下，问题出在CUDA版本、protobuf依赖和Makefile.config配置这三处，按顺序排查就能解决。
Linux虚拟机Caffe安装失败怎么办？先看这几点
Caffe在虚拟机里装不上,跟物理机上的常见原因并不完全一样，虚拟化环境引入了多层间接性，报错信息也更隐晦，很多人在Windows下用VMware或VirtualBox装Ubuntu，然后按教程敲make all，结果卡在Makefile:594: recipe for target 'build...' failed这种提示，业内专家指出，Caffe的编译依赖极其敏感，任何一个小版本不对齐都会导致失败。
实际处理经验中,最常见的失败原因有三个：CUDA与显卡驱动不匹配、protobuf版本冲突、OpenCV或Boost库缺失，如果是集成显卡或NVIDIA驱动无法在虚拟机里正常加载，还会出现nvcc fatal: Unsupported gpu architecture这类错误。
ubuntu虚拟机caffe安装失败怎么解决？分步排查
先把系统环境和依赖列表理清楚,Caffe官方要求的核心依赖包括：libprotobuf-dev、libleveldb-dev、libsnappy-dev、libopencv-dev、libhdf5-serial-dev、libatlas-base-dev，在Ubuntu 18.04或20.04上，直接执行：
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler libatlas-base-dev
注意,Ubuntu 20.04之后的默认protobuf版本是3.x，而Caffe官方分支对protobuf 3支持不完整，经常出现undefined reference to google::protobuf::internal::...，这就是编译失败的核心原因，解决方法是手动降低protobuf到2.6.1，或者使用Caffe的master分支，再修改Makefile.config中的PROTOBUF_LIBS。
编译阶段报错怎么办：Makefile.config是关键
进入Caffe目录后,先复制模板：
cd caffe cp Makefile.config.example Makefile.config
然后逐项核对,在虚拟机里，建议关闭GPU支持，使用CPU-only模式，把Makefile.config中# CPU_ONLY := 1的注释去掉，变成CPU_ONLY := 1，这一步能绕开绝大多数显卡相关报错。
还需要检查BLAS := atlas以及INCLUDE_DIRS和LIBRARY_DIRS中是否包含了系统实际路径，Ubuntu 20.04下，HDF5头文件路径可能不在默认目录，需要手动加上/usr/include/hdf5/serial，这是很多人在make all时卡在hdf5.h: No such file or directory的真正原因。
| 失败现象 | 常见原因 | 处理动作 |
|---|---|---|
nvcc fatal: Unsupported gpu architecture |
虚拟机的虚拟GPU不支持高算力 | 改为CPU_ONLY |
fatal error: hdf5.h: No such file or directory |
缺少hdf5串行头文件路径 | 在include路径中添加 |
undefined reference to google::protobuf |
protobuf版本过高 | 降级或改源码 |
libopenblas.so: cannot open shared object file |
BLAS库路径未设置 | 执行ldconfig更新 |
虚拟机跑Caffe性能怎么样？先解决这些环境限制
很多人问虚拟机跑Caffe性能怎么样,实话实说，纯CPU模式下性能损耗非常大，Caffe的卷积计算高度依赖指令集优化和CPU缓存，虚拟化层会干扰SIMD指令和内存带宽，如果你只是想跑通代码验证结果，那没问题；如果指望训练大型模型，效率可能比物理机低三到五倍，但安装失败跟性能无关，是环境配置问题。
共享内存和内存大小怎么设置
虚拟机默认内存分配不能低于4GB,否则编译过程中g++会因内存不足直接被kill掉，出现Killed或c++: internal compiler error，建议分配8GB内存，并且把虚拟机的CPU核心数设为物理机的一半以上，还有，在VMware中，需要启用Intel VT-x/EPT或AMD-V/RVI，否则make all时会出现非法指令。
另一个隐藏坑是/tmp分区空间，Caffe编译生成的中间文件体积不小，如果/tmp挂载在根分区且剩余空间不足，会在最后链接阶段报No space left on device，用df -h检查，必要时执行sudo mount -o remount,size=16G /tmp。
网络与git下载超时导致源码不完整
很多人用
git clone拉Caffe源码，结果在虚拟机里因为网络代理或DNS问题，下载到一半中断，造成部分文件缺失，这样的源码后续怎么编译都会失败，检查方式很简单：
ls caffe/src/caffe/layers/
正常应该有几十个.cpp文件，如果只有零散几个，删除目录重新克隆，建议用conda环境安装，能避免很多系统级依赖冲突。
caffe和tensorflow安装难度对比，为什么caffe老出错
对比caffe和tensorflow,你会发现Caffe对系统环境的挑剔程度远超TensorFlow，TensorFlow的pip包自带编译好的二进制，依赖问题少；Caffe必须从源码编译，而且官方对Ubuntu 16.04的支持最好，换到新系统就各种坑，实际上caffe和tensorflow的安装难度对比中，Caffe明显更难，尤其在虚拟机上，两者差距被拉大。
为什么不用Docker装Caffe
如果你在虚拟机里反复失败,可以考虑在虚拟机中用Docker跑Caffe镜像，Docker容器封装了完整的依赖环境，能绕过宿主机的库冲突，前提是虚拟机要支持嵌套虚拟化，并开启硬件加速，命令很简单：
docker pull bvlc/caffe:cpu
这个镜像由Caffe官方团队维护,基本开箱即用，不过需要注意，镜像内只有CPU版本，如果科研任务必须用GPU，那么虚拟机方案本身就不合适，应改用物理机或云GPU服务器，提到性价比，云GPU服务器按小时收费，短期测试比买显卡划算，但长期训练成本更高，需要自己权衡。
什么时候必须绕开虚拟机
如果执行nvidia-smi在虚拟机里根本看不到显卡，说明显卡直通没有配置好，这种情况，无论你怎么改配置，Caffe的GPU版本都不可能编译成功，行业共识是：虚拟化环境适合做开发调试和交叉编译，不适合做GPU密集型计算任务，建议在虚拟机里只跑CPU-only版本，或者干脆退出虚拟机，在物理机上装双系统。
Caffe安装报错信息怎么看：日志里藏了关键线索
不要只盯着终端最后几行红色字体,Caffe编译失败时，完整的语音信息往往在更早的位置，执行：
make all -j4 > build.log 2>&1
把输出重定向到文件,然后用grep -n error build.log查看真正的错误行，很多情况下，
make会提前失败，比如缺少某个头文件，但终端刷屏太快，你根本没看到。
常用调试命令清单
uname -a查看内核版本和架构gcc --version检查编译器是否太新导致不兼容pkg-config --modversion opencv确认OpenCV版本python3 --version如果是Python 3.8以上，需注意pycaffe的编译
如果你的失败原因是fatal error: pyconfig.h: No such file or directory，说明缺少Python开发头文件，执行sudo apt-get install python3-dev就能解决。
装完以后怎么验证是否成功
成功编译后,运行一行命令验证：
cd caffe python3 -c "import caffe; print(caffe.__file__)"
能打印出caffe包的路径,说明pycaffe也装好了，如果这里报错，说明PYTHONPATH没设置，用export PYTHONPATH=/path/to/caffe/python临时导入，或者写入~/.bashrc永久生效。
对于纯CPU模式,可以用caffe time --model=models/bvlc_reference_caffenet/deploy.prototxt --iterations 10来跑一个基准测试，看到输出成功且没有nan，就说明编译产物可用。
Q&A：Caffe安装失败相关高频疑问
Caffe在虚拟机里用CPU模式训练模型，结果准确率会受影响吗？
不会,CPU模式下计算过程跟GPU一样是浮点运算，准确率没有本质差异，只是速度慢很多，安装失败跟精度无关。
用Anaconda装Caffe能避免Linux虚拟机caffe安装失败吗？
只能部分缓解,Anaconda可以解决Python环境和部分库的版本冲突，但Caffe编译依赖的系统库比如OpenBLAS、HDF5仍然是系统级的，conda install caffe的包只对特定老版本有效，新系统上容易因为glibc版本过高而失败，最稳妥的办法还是从源码编译。
为什么Caffe那么难装，还有人在用？
因为Caffe的源码结构清晰,部署时体积小，适合嵌入式设备，大量经典模型如VGG、GoogLeNet的预训练权重都是Caffe格式，迁移成本高，虽然没有新框架活跃，但在学术复现和工业落地场景中，Caffe仍然占有一席之地，这也是为什么即使Linux虚拟机caffe安装失败，还是有人愿意折腾。