1. 安装依赖库
在Linux系统上搭建Caffe环境之前，首先需要安装一些必要的依赖库。打开终端，使用以下命令进行安装：
sudo apt-get update
sudo apt-get install build-essential cmake git libboost-all-dev libprotobuf-dev libleveldb-dev libsnappy-dev libhdf5-serial-dev protobuf-compiler gfortran libopenblas-dev liblapack-dev libatlas-base-dev libgflags-dev libgoogle-glog-dev liblmdb-dev python-dev python-setuptools python-numpy python-scipy python-skimage python-matplotlib -y
2. 克隆Caffe源码
在完成依赖库的安装后，我们可以开始克隆Caffe的源码了。进入你希望克隆源码的目录，执行以下命令：
git clone https://github.com/BVLC/caffe.git
cd caffe
3. 配置并编译
进入Caffe目录后，我们需要进行一些配置，以便将构建过程适配到我们的系统环境中。执行以下命令：
cp Makefile.config.example Makefile.config
然后，打开Makefile.config并进行以下修改：
确保以下两行的注释被取消：
# CPU-only switch (uncomment to build without GPU support).
CPU_ONLY := 1
# Uncomment if you're using OpenCV 3
OPENCV_VERSION := 3
如果你的电脑上没有GPU，确保CPU_ONLY := 1已被取消注释。
如果你安装的是旧版的OpenCV（版本2.x），则将OPENCV_VERSION := 3改为OPENCV_VERSION := 2。
保存Makefile.config后，执行以下命令进行编译：
make all
4. 编译并安装Python模块
Caffe的Python接口非常强大，因此我们需要编译并安装相应的Python模块。在Caffe目录中，执行以下命令：
make pycaffe
如果你当前所使用的是Anaconda环境，可以执行以下命令来将pycaffe安装到Anaconda环境中：
make pycaffe -j8
make distribute
cd python
for req in $(cat requirements.txt); do pip install $req; done
cd ..
5. 运行示例程序
完成编译和安装后，我们可以尝试运行Caffe的示例程序来验证环境是否搭建成功。在Caffe目录中，执行以下命令运行LeNet MNIST示例：
./build/examples/mnist/lenet
如果一切正常，你将看到一系列的输出信息，并且最后会显示出测试集的准确率。
6. 配置环境变量
为了方便使用Caffe，我们可以将Caffe的路径添加到系统的环境变量中。编辑~/.bashrc文件，将以下内容添加到文件末尾：
export CAFFE_HOME=/path/to/caffe
export PYTHONPATH=$CAFFE_HOME/python:$PYTHONPATH
其中，/path/to/caffe需要替换为你实际的Caffe目录路径。保存文件后，执行以下命令使修改生效：
source ~/.bashrc
7. 安装额外的依赖库（可选）
除了上面提到的依赖库之外，你可能还需要安装其他的库来支持一些特定的功能。以下是一些常用的库：
cuDNN：如果你要使用NVIDIA的cuDNN库来加速Caffe，你需要到NVIDIA官网上注册并下载对应版本的cuDNN库，并按照官方文档进行安装。
NCCL：如果你要进行多GPU并行训练，你可能需要安装NVIDIA的NCCL库。
OpenBLAS：如果你希望使用OpenBLAS来加速矩阵运算，你可以按照官方文档来安装OpenBLAS库。
至此，你已经成功在Linux下快速搭建了Caffe环境。你可以根据自己的需要，继续进行模型训练、图像分类等工作。