windows10+python3.5下同时安装caffe和tensorflow 这几天需要安装caffe，但是大部分教程都没有说怎么在已经有tensorflow的同时安装caffe。在这里记录一下，主要写一下整个安装过程中的大致流程，忽略详细步骤。

这几天需要安装caffe，但是大部分教程都没有说怎么在已经有tensorflow的同时安装caffe。在这里记录一下，主要写一下整个安装过程中的大致流程，忽略详细步骤。 

首先需要安装anaconda，这里安装anaconda的主要原因是，它能够管理环境，也就是说可以将tensorflow和caffe的安装环境隔离开。（网上有不少文章已经表示，直接将两者装在一个环境下会出问题）。anaconda的版本无所谓，3.6也没关系，因为在里面可以新建环境。

假设你已经安装好了anaconda，打开anaconda Navigator，创建两个python3.5新的环境，分别命名为caffe和tensorflow。完成后，如下图所示： 

tensorflow的安装

1、首先打开anaconda prompt，输入activate tensorflow，这样表面你后续的安装操作，都是在tensorflow这个环境下进行的。所有的安装依赖都可以在以下目录中查询。

E:\studySoftware\anaconda\envs\tensorflow\Lib\site-packages

2、安装GPU版本需要CUDA8.0和cudnn5.1（这里一定要安装cudnn5.1版本，这是因为caffe只能支持这个版本） 
CUDA安装：https://developer.nvidia.com/cuda-downloads 
CuDNN安装：https://developer.nvidia.com/cudnn

3、安装numpy

pip install numpy

由于网络的某些原因，可能会导致通过pip安装会很慢，可以选择直接去https://www.lfd.uci.edu/~gohlke/pythonlibs/#xgboost该网址用ctrl+F找到并下载对应的wheel文件，以 pip install numpy‑1.11.2+mkl‑cp35‑cp35m‑win_amd64.whl 的形式来安装。

4、安装tensorflow

pip install tensorflow-gpu

如果慢一样可以下载对应的wheel文件，输入pip install tensorflow_gpu-0.12.0rc0-cp35-cp35m-win_amd64.whl 
所有的操作要在activate tensorflow 后进行，如图示例：（这里还有一大堆依赖包，不一一列举，pip能自动安装） 
 
5、测试tensorflow 
进入python，输入import tensorflow as tf，若这句话通过，基本上就可以表明tensorflow安装成功 

安装caffe

1、首先打开anaconda prompt，一样输入activate caffe，所有的安装依赖一样也都可以在以下目录中查询。

E:\studySoftware\anaconda\envs\caffe\Lib\site-packages

2、上面已经安装过CUDA8.0和cudnn5.1了，所以这边可以跳过。

3、安装visual stduio 2015，我这边用的是2015版，官网上说2013也可以

4、安装cmake，最好下一个高版本，我一开始下了一个cmake3.4.1，虽然满足官网的要求，但是编译的时候一直显示找不到vs的编译器，后来换了一个高版本的cmake这个问题就没有了。

5、到官网https://github.com/BVLC/caffe/tree/windows先下载windows版的caffe，解压后，进入scripts文件夹中找到build_win.cmd。右键用notepad++或者其他工具打开。 

打开后，对其中70到99行的选项进行配置，我的配置是这样的 
 
MSVC_VERSION=14表示是的vs2015 
CPU_ONLY = 0 表示安装GPU版本 
PYTHON_VERSION=3 表示python3.5 
其他的选项默认就好

然后修改好build_win.cmd文件后保存退出，然后在anaconda prompt中cd到caffe-windows文件下，输入:

.\scripts\build_win.cmd

期间会下载 libraries_v140_x64_py35_1.1.0.tar.bz2这个依赖包，但是下载速度很慢，可能会出错，所以先下载完然后放到对应文件夹下，这样可以快很多。 

Python3.5的：libraries_v140_x64_py35_1.1.0.tar.bz2 [ 密码：35jj ]

6、编译完成后，会在scripts文件夹下生产一个build文件夹，下一步是进行生成 
 
打开caffe.sln这个工程，右键ALL_BUILD工程进行生成。

生成完成后，在如下图的文件夹下，会生成caffe.exe等执行文件

7、caffe进行mnist测试 
首先去官网http://yann.lecun.com/exdb/mnist/下载mnist数据集，解压后放到如下两个文件夹下，训练数据和测试数据分开，文件夹自己新建一下。 

在caffe-windows的目录下创建creat_mnist.bat，trian_mnist.bat文件 
 
在creat_mnist.bat中输入：（trian_mnist.bat文件后面再用）

.\scripts\build\examples\mnist\Release\convert_mnist_data.exe .\data\mnist\mnist_train_lmdb\train-images.idx3-ubyte .\data\mnist\mnist_train_lmdb\train-labels.idx1-ubyte .\examples\mnist\mnist_train_lmdb   
echo.   
.\scripts\build\examples\mnist\Release\convert_mnist_data.exe .\data\mnist\mnist_test_lmdb\t10k-images.idx3-ubyte   .\data\mnist\mnist_test_lmdb\t10k-labels.idx1-ubyte .\examples\mnist\mnist_test_lmdb  
pause  

• 1
• 2
• 3
• 4

这是把原始的文件格式转换成mdb的格式，并放到caffe-windows\examples\mnist下，这种格式读取速度快。执行完成后，会在caffe-windows\examples\mnist下生成对应数据文件 

在caffe-windows\examples\mnist文件夹下，除了刚刚生成的数据文件，还有mnist的模型文件lenet_train_test.prototxt，还有lenet_solver.prototxt模型配置文件。 
 
模型文件lenet_train_test.prototxt，需要给出对应的训练和测试数据路径 
 
lenet_solver.prototxt模型配置文件中，要给出模型文件的路径，以及训练方式，我这边用的是GPU 
 
这些路径都是相对于caffe-windows这个根目录的相对路径，然后打开前面创建的trian_mnist.bat文件，输入：

.\scripts\build\tools\Release\caffe.exe train --solver=examples/mnist/lenet_solver.prototxt  
pause 

• 1
• 2

这边需要注意，/和\这两者要区别清楚，不然很可能会找不到对应的数据或者模型而出错。错误示例如下： 

然后，就可以开始训练了，训练完成！ 

8、python接口的配置 
在编译完后的根目录下的python文件夹下，会生成pycaffe，用于python调用caffe。 
 
将里面的caffe文件夹复制到： 
E:\studySoftware\anaconda\envs\caffe\Lib\site-packages，也就是caffe环境对应的包文件夹。 
然后安装一些依赖库：

pip install numpy scipy protobuf==3.1.0 six scikit-image pyyaml pydotplus graphviz

打开anaconda prompt，然后activate caffe，打开python，尝试import caffe，这时可能会有一些包不存在，只需要pip install 对应的包就可以了。

9、python调用示例

import numpy as np  
import sys,os  
import time
import matplotlib.pyplot as plt

# 设置当前的工作环境在caffe下  
caffe_root = 'E:/studySoftware/caffe-windows/'   
# 我们也把caffe/python也添加到当前环境  
sys.path.insert(0, caffe_root + 'python')  
import caffe  
os.chdir(caffe_root)#更换工作目录  

# 设置网络结构  
net_file=caffe_root + 'models/bvlc_reference_caffenet/deploy.prototxt'  
# 添加训练之后的参数  
#下载地址：http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel
caffe_model=caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'  
# 均值文件  
mean_file=caffe_root + 'python/caffe/imagenet/ilsvrc_2012_mean.npy'  

# 这里对任何一个程序都是通用的，就是处理图片  
# 把上面添加的两个变量都作为参数构造一个Net  
net = caffe.Net(net_file,caffe_model,caffe.TEST)  
# 得到data的形状，这里的图片是默认matplotlib底层加载的  
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})  
# matplotlib加载的image是像素[0-1],图片的数据格式[weight,high,channels]，RGB  
# caffe加载的图片需要的是[0-255]像素，数据格式[channels,weight,high],BGR，那么就需要转换  

# channel 放到前面  
transformer.set_transpose('data', (2,0,1))  
transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))  
# 图片像素放大到[0-255]  
transformer.set_raw_scale('data', 255)   
# RGB-->BGR 转换  
transformer.set_channel_swap('data', (2,1,0))  

# 这里是加载图片  
im=caffe.io.load_image(caffe_root+'examples/images/cat.jpg')  
# 用上面的transformer.preprocess来处理刚刚加载图片  
net.blobs['data'].data[...] = transformer.preprocess('data',im) 

#caffe.set_mode_gpu() 
since = time.time()
#注意,网络开始向前传播啦  
out = net.forward() 
time_elapsed = time.time() - since
print(time_elapsed)

#加载标签
imagenet_labels_filename = caffe_root + 'data/ilsvrc12/synset_words.txt'  
labels = np.loadtxt(imagenet_labels_filename, str, delimiter='\t')  


# 最终的结果: 当前这个图片的属于哪个物体的概率(列表表示)  
output_prob = out['prob'][0]  
# 找出最大的那个概率  
print ('predicted class is:', output_prob.argmax())

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57

后期使用

在用tensorflow的时候，要先打开anaconda prompt，然后activate tensorflow，在里面打开对应的IDE，比如说spyder。 
使用caffe时，一样。

首先需要安装anaconda，这里安装anaconda的主要原因是，它能够管理环境，也就是说可以将tensorflow和caffe的安装环境隔离开。（网上有不少文章已经表示，直接将两者装在一个环境下会出问题）。anaconda的版本无所谓，3.6也没关系，因为在里面可以新建环境。

假设你已经安装好了anaconda，打开anaconda Navigator，创建两个python3.5新的环境，分别命名为caffe和tensorflow。完成后，如下图所示： 

tensorflow的安装

1、首先打开anaconda prompt，输入activate tensorflow，这样表面你后续的安装操作，都是在tensorflow这个环境下进行的。所有的安装依赖都可以在以下目录中查询。

E:\studySoftware\anaconda\envs\tensorflow\Lib\site-packages

2、安装GPU版本需要CUDA8.0和cudnn5.1（这里一定要安装cudnn5.1版本，这是因为caffe只能支持这个版本） 
CUDA安装：https://developer.nvidia.com/cuda-downloads 
CuDNN安装：https://developer.nvidia.com/cudnn

3、安装numpy

pip install numpy

由于网络的某些原因，可能会导致通过pip安装会很慢，可以选择直接去https://www.lfd.uci.edu/~gohlke/pythonlibs/#xgboost该网址用ctrl+F找到并下载对应的wheel文件，以 pip install numpy‑1.11.2+mkl‑cp35‑cp35m‑win_amd64.whl 的形式来安装。

4、安装tensorflow

pip install tensorflow-gpu

如果慢一样可以下载对应的wheel文件，输入pip install tensorflow_gpu-0.12.0rc0-cp35-cp35m-win_amd64.whl 
所有的操作要在activate tensorflow 后进行，如图示例：（这里还有一大堆依赖包，不一一列举，pip能自动安装） 
 
5、测试tensorflow 
进入python，输入import tensorflow as tf，若这句话通过，基本上就可以表明tensorflow安装成功 

安装caffe

1、首先打开anaconda prompt，一样输入activate caffe，所有的安装依赖一样也都可以在以下目录中查询。

E:\studySoftware\anaconda\envs\caffe\Lib\site-packages

2、上面已经安装过CUDA8.0和cudnn5.1了，所以这边可以跳过。

3、安装visual stduio 2015，我这边用的是2015版，官网上说2013也可以

4、安装cmake，最好下一个高版本，我一开始下了一个cmake3.4.1，虽然满足官网的要求，但是编译的时候一直显示找不到vs的编译器，后来换了一个高版本的cmake这个问题就没有了。

5、到官网https://github.com/BVLC/caffe/tree/windows先下载windows版的caffe，解压后，进入scripts文件夹中找到build_win.cmd。右键用notepad++或者其他工具打开。 

打开后，对其中70到99行的选项进行配置，我的配置是这样的 
 
MSVC_VERSION=14表示是的vs2015 
CPU_ONLY = 0 表示安装GPU版本 
PYTHON_VERSION=3 表示python3.5 
其他的选项默认就好

然后修改好build_win.cmd文件后保存退出，然后在anaconda prompt中cd到caffe-windows文件下，输入:

.\scripts\build_win.cmd

期间会下载 libraries_v140_x64_py35_1.1.0.tar.bz2这个依赖包，但是下载速度很慢，可能会出错，所以先下载完然后放到对应文件夹下，这样可以快很多。 

Python3.5的：libraries_v140_x64_py35_1.1.0.tar.bz2 [ 密码：35jj ]

6、编译完成后，会在scripts文件夹下生产一个build文件夹，下一步是进行生成 
 
打开caffe.sln这个工程，右键ALL_BUILD工程进行生成。

生成完成后，在如下图的文件夹下，会生成caffe.exe等执行文件

7、caffe进行mnist测试 
首先去官网http://yann.lecun.com/exdb/mnist/下载mnist数据集，解压后放到如下两个文件夹下，训练数据和测试数据分开，文件夹自己新建一下。 

在caffe-windows的目录下创建creat_mnist.bat，trian_mnist.bat文件 
 
在creat_mnist.bat中输入：（trian_mnist.bat文件后面再用）

.\scripts\build\examples\mnist\Release\convert_mnist_data.exe .\data\mnist\mnist_train_lmdb\train-images.idx3-ubyte .\data\mnist\mnist_train_lmdb\train-labels.idx1-ubyte .\examples\mnist\mnist_train_lmdb   
echo.   
.\scripts\build\examples\mnist\Release\convert_mnist_data.exe .\data\mnist\mnist_test_lmdb\t10k-images.idx3-ubyte   .\data\mnist\mnist_test_lmdb\t10k-labels.idx1-ubyte .\examples\mnist\mnist_test_lmdb  
pause  

• 1
• 2
• 3
• 4

这是把原始的文件格式转换成mdb的格式，并放到caffe-windows\examples\mnist下，这种格式读取速度快。执行完成后，会在caffe-windows\examples\mnist下生成对应数据文件 

在caffe-windows\examples\mnist文件夹下，除了刚刚生成的数据文件，还有mnist的模型文件lenet_train_test.prototxt，还有lenet_solver.prototxt模型配置文件。 
 
模型文件lenet_train_test.prototxt，需要给出对应的训练和测试数据路径 
 
lenet_solver.prototxt模型配置文件中，要给出模型文件的路径，以及训练方式，我这边用的是GPU 
 
这些路径都是相对于caffe-windows这个根目录的相对路径，然后打开前面创建的trian_mnist.bat文件，输入：

.\scripts\build\tools\Release\caffe.exe train --solver=examples/mnist/lenet_solver.prototxt  
pause 

• 1
• 2

这边需要注意，/和\这两者要区别清楚，不然很可能会找不到对应的数据或者模型而出错。错误示例如下： 

然后，就可以开始训练了，训练完成！ 

8、python接口的配置 
在编译完后的根目录下的python文件夹下，会生成pycaffe，用于python调用caffe。 
 
将里面的caffe文件夹复制到： 
E:\studySoftware\anaconda\envs\caffe\Lib\site-packages，也就是caffe环境对应的包文件夹。 
然后安装一些依赖库：

pip install numpy scipy protobuf==3.1.0 six scikit-image pyyaml pydotplus graphviz

打开anaconda prompt，然后activate caffe，打开python，尝试import caffe，这时可能会有一些包不存在，只需要pip install 对应的包就可以了。

9、python调用示例

import numpy as np  
import sys,os  
import time
import matplotlib.pyplot as plt

# 设置当前的工作环境在caffe下  
caffe_root = 'E:/studySoftware/caffe-windows/'   
# 我们也把caffe/python也添加到当前环境  
sys.path.insert(0, caffe_root + 'python')  
import caffe  
os.chdir(caffe_root)#更换工作目录  

# 设置网络结构  
net_file=caffe_root + 'models/bvlc_reference_caffenet/deploy.prototxt'  
# 添加训练之后的参数  
#下载地址：http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel
caffe_model=caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'  
# 均值文件  
mean_file=caffe_root + 'python/caffe/imagenet/ilsvrc_2012_mean.npy'  

# 这里对任何一个程序都是通用的，就是处理图片  
# 把上面添加的两个变量都作为参数构造一个Net  
net = caffe.Net(net_file,caffe_model,caffe.TEST)  
# 得到data的形状，这里的图片是默认matplotlib底层加载的  
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})  
# matplotlib加载的image是像素[0-1],图片的数据格式[weight,high,channels]，RGB  
# caffe加载的图片需要的是[0-255]像素，数据格式[channels,weight,high],BGR，那么就需要转换  

# channel 放到前面  
transformer.set_transpose('data', (2,0,1))  
transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))  
# 图片像素放大到[0-255]  
transformer.set_raw_scale('data', 255)   
# RGB-->BGR 转换  
transformer.set_channel_swap('data', (2,1,0))  

# 这里是加载图片  
im=caffe.io.load_image(caffe_root+'examples/images/cat.jpg')  
# 用上面的transformer.preprocess来处理刚刚加载图片  
net.blobs['data'].data[...] = transformer.preprocess('data',im) 

#caffe.set_mode_gpu() 
since = time.time()
#注意,网络开始向前传播啦  
out = net.forward() 
time_elapsed = time.time() - since
print(time_elapsed)

#加载标签
imagenet_labels_filename = caffe_root + 'data/ilsvrc12/synset_words.txt'  
labels = np.loadtxt(imagenet_labels_filename, str, delimiter='\t')  


# 最终的结果: 当前这个图片的属于哪个物体的概率(列表表示)  
output_prob = out['prob'][0]  
# 找出最大的那个概率  
print ('predicted class is:', output_prob.argmax())

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57

后期使用

在用tensorflow的时候，要先打开anaconda prompt，然后activate tensorflow，在里面打开对应的IDE，比如说spyder。 
使用caffe时，一样。