Windows下caffe安装详解(cpu +matcaffe+pycaffe)
运行环境VS2013
1、caffe下载：https://github.com/happynear/caffe-windows
2、caffe下载后解压到指定文件夹，进入caffe的windows目录（比如，D:\caffe-master\windows），将该目录下的CommonSettings.props.example复制一个并改名为CommonSettings.props，同样还是放在当前目录下。
3、上面两图为原始的CommonSettings.props.example，下面两图为需要修改的CommonSettings.props。
cpu模式的配置：
CommonSettings.props.example
CommonSettings.props
4、点击D:\caffe-master\windows该目录下的Caffe.sln用VS2013打开。这里由于别的模块用到了libcaffe，所以，首先选择libcaffe，右键生成。成功之后，再选择整个解决方案，右键生成解决方案。
5、点击caffe->caffe.cpp，按F5运行，生成如下界面，证明安装成功。同时在根目录下面会生成相应的exe，lib，dll等文件。
遇到的错误解决方法：
①错误：错误 1 errorC1083: 无法打开包括文件: “pyconfig.h”: No such file or directory(..\..\src\caffe\layer_factory.cpp) D:\NugetPackages\boost.1.59.0.0\lib\native\include\boost\python\detail\wrap_python.hpp 50 1 libcaffe
原因：python路径不对
修改为：
②错误 298 errorC1083: 无法打开包括文件: “gpu/mxGPUArray.h”: No suchfile or directory D:\caffe-master\matlab\+caffe\private\caffe_.cpp 16 1 matcaffe
原因：matlab版本太高，gpu相关的文件路径被改
修改前：
修改后：
③Nuget会提示下载一些东西，包括是boost,opencv2.4.10,gflags,glog,hdf5,lmdb,LevelDB,OpenBLAS,protobuf等预编译的依赖包。过程有点慢，多等会就ok。下载完成后会在caffe的同级目录生成NugetPackages的文件。
④错误 5error MSB4062: 未能从程序集 S:\NugetPackages\OpenCV.2.4.10\build\native\\private\coapp.NuGetNativeMSBuildTasks.dll 加载任务“NuGetPackageOverlay”。未能加载文件或程序集“file:///S:\NugetPackages\OpenCV.2.4.10\build\native\private\coapp.NuGetNativeMSBuildTasks.dll”或它的某一个依赖项。系统找不到指定的文件。 请确认 <UsingTask> 声明正确，该程序集及其所有依赖项都可用，并且该任务包含实现 Microsoft.Build.Framework.ITask 的公共类。 S:\NugetPackages\OpenCV.2.4.10\build\native\OpenCV.targets 768 5libcaffe
原因：NugetPackages文件夹里的OpenCV.2.4.10的文件有误
修改：删除NugetPackages文件夹，重新生成libcaffe的解决方案。得到新的NugetPackages文件夹。（只用到CPU的情况）
⑤出现没有生成object文件的错误，双击该错误，点击确定，然后保存即可。
1、mnist测试（利用lenet网络）
Step1:下载mnist数据集，网址：http://yann.lecun.com/exdb/mnist/
数据特点：
将下载好的数据集解压至caffe-master\data\mnist目录下。
建立如图所示的文件夹
Step2：在caffe根目录下，新建一个create_mnist.bat，里面写入如下的脚本。然后双击该脚本运行，则在.\examples\mnist文件夹下生成lmdb文件。
.\Build\x64\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.
.\Build\x64\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
运行结果：
Step3：修改.. \examples\mnist\lenet_solver.prototxt，将最后一行改为solver_mode:CPU，
如下所示，左面为原始的，右面为修改后的。
计算均值文件：在D:\caffe-master\Build\x64\Release目录下新建bat文件mnist_mean.bat，内容如下
compute_image_mean.exeD:\caffe-master\examples\mnist\mnist_train_lmdbD:\caffe-master\examples\mnist\mean.binaryproto
pause
在..\examples\mnist目录下得到mean.binaryproto
修改此文件夹下的训练方法lenet_train_test.prototxt的前两层，就是在原来的基础上把均值文件加进去。（左图为修改前，右图为修改后）
Step4：在caffe根目录下建立文件train_mnist.bat，然后输入如下的脚本，
双击运行，就会开始训练，训练完毕后会得到相应的准确率和损失率。直到出现下面的页面时，说明训练已经完成。（Optimization Done）
Step5：在caffe根目录下建立文件test_mnist.bat，然后输入如下的脚本，
Build\x64\Release\caffe.exetest --model=examples\mnist\lenet_train_test.prototxt-weights=examples\mnist\lenet_iter_10000.caffemodel
pause
双击运行，显示出来结果（准确率为0.9874，损失率为0.040711）：
MNIST训练生产的模型进行手写数字进行测试
Step1：制作手写数字样本。打开电脑画图工具，重新调整大小，点击像素，水平和竖直的值置为28。再点击保持纵横比。
将画好0到9的数字依次保存到文件夹RGBnumbers，然后用matlab软件进行格式的转换。（转换原因：画图工具中手写数字依然是三通道的RGB图像，用matlab软件将他们转换成二值图像），转换代码如下：
所有的二值图像都将保存到指定目录下的binarybmp文件夹下。
Step2：把转换好的二值图像拷贝到D:\caffe-master\examples\mnist\
在D:\caffe-master\examples\mnist下建立标签文件synset_words.txt（注意不能有空行出现，必须是10行数字，可以打乱顺序，不一定是从小到大排序）：
调用classification.exe去识别某张图片，D: \caffe-master目录新建mnist_class.bat，输入如下脚本：
D:\caffe-master\Build\x64\Release\classification.exe D:\caffe-master\examples\mnist\lenet.prototxt D:\caffe-master\examples\mnist\lenet_iter_10000.caffemodelD:\caffe-master\examples\mnist\mean.binaryprotoD:\caffe-master\examples\mnist\synset_words.txtD:\caffe-master\examples\mnist\binarybmp\0.bmp
Pause
双击运行，得到下面的结果，至此测试结束。
2、cifar-10测试
Step1:下载cifar-10数据集，网址：http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz
然后解压到caffe-master\data\cifar10目录下。
Step2:在caffe-master根目录下建立create_cifar10.bat文件，输入以下脚本：
双击后运行，在example\cifar10文件夹下产生cifar-10的训练数据和测试数据，如下图
Step3:计算图像均值
在D:\caffe-master\Build\x64\Release目录下建立cifar10_mean.bat文件，输入以下脚本：
于是，在D:\caffe-master\examples\cifar10目录下产生mean.binaryproto文件。
由于我们所采用的平台没有英伟达的GPU，故只能采用CPU进行训练，所以将cifar10_quick_solver.prototxt和cifar10_quick_solver_lr1.prototxt中的solver_mode:GPU均改为solver_mode:CPU。
左图为修改前，右图为修改后：
Step4:训练
在D:\caffe-master目录下建立train_cifar10.bat文件，输入以下脚本：
上述命令执行完毕后会在D:\caffe-master\examples\cifar10下生成cifar10_quick_iter_4000.caffemodel.h5以及cifar10_quick_iter_4000.solverstate.h5两个文件，其中cifar10_quick_iter_4000.solverstate.h5将在进一步的训练中使用到，而cifar10_quick_iter_4000.caffemodel.h5模型权值文件可用于数据集的测试（此处可不用，因为还有下面更深层的训练，会生成更深层的模型权值文件cifar10_quick_iter_5000.caffemodel.h5）。
下面将对配置文件中的内容进行简单说明或解释：
net：用于训练、预测的网络描述文件
test_iter：预测阶段迭代次数
test_interval：训练时每迭代多少次，进行一次预测
base_lr、momentum、weight_delay：网络的基础学习速率、冲量和权衰量
lr_policy：学习速率的衰减策略
display：每经过多少次迭代，在屏幕上打印一次运行日志
max_iter：最大迭代次数
snapshot：每多少次迭代打印一次快照
solver_mode：caffe的求解模式，根据实际情况选择GPU或CPU
总结一下训练一个网络用到的相关文件：
· 1：cifar10_quick_solver.prototxt：方案配置，用于配置迭代次数等信息，训练时直接调用caffe.exe train指定这个文件，就会开始训练
· 2：cifar10_quick_train_test.prototxt：训练网络配置，用来设置训练用的网络，这个文件的名字会在solver.prototxt里指定
· 3：cifar10_quick_iter_4000.caffemodel.h5：训练出来的模型，后面就用这个模型来做分类
· 4：cifar10_quick_iter_4000.solverstate.h5：也是训练出来的，应该是用来中断后继续训练用的文件
· 5：cifar10_quick.prototxt：分类用的网络
在D:\caffe-master目录下建立train_cifar10(1).bat文件，输入以下脚本：
.\Build\x64\Release\caffe.exetrain --solver=D:/caffe-master/examples/cifar10/cifar10_quick_solver_lr1.prototxt --snapshot=D:/caffe-master/examples/cifar10/cifar10_quick_iter_4000.solverstate.h5
pause
双击运行得到下面的结果：
在D:\caffe-master\examples\cifar10目录下创建文件synset_words.txt，并写入以下脚本：
Step5测试：
在D:\caffe-master目录下建立文件test_cifar10.bat，并写入以下信息：
Build\x64\Release\caffe.exetest -model examples/cifar10/cifar10_quick_train_test.prototxt -weights examples/cifar10/cifar10_quick_iter_4000.caffemodel.h5-iterations 100
pause
双击后得到预测结果：
测试准确率为0.7147
在D:\caffe-master目录下建立文件test_cifar10(1).bat，并写入以下信息：
Build\x64\Release\caffe.exetest -model examples/cifar10/cifar10_quick_train_test.prototxt -weightsexamples/cifar10/cifar10_quick_iter_5000.caffemodel.h5 -iterations 100
pause
双击后得到预测结果：
测试准确率为0.7544
在D:\caffe-master目录下建立文件cifar10_class.bat，并写入以下信息：
D:\caffe-master\Build\x64\Release\classification.exeD:\caffe-master\examples\cifar10\cifar10_quick.prototxt D:\caffe-master\examples\cifar10\cifar10_quick_iter_4000.caffemodel.h5D:\caffe-master\examples\cifar10\mean.binaryprotoD:\caffe-master\examples\cifar10\synset_words.txtD:\caffe-master\examples\images\cat_gray.jpg
pause
双击后得到分类结果：
猫的概率0.3202
在D:\caffe-master目录下建立文件cifar10_class(1).bat，并写入以下信息：
D:\caffe-master\Build\x64\Release\classification.exeD:\caffe-master\examples\cifar10\cifar10_quick.prototxt D:\caffe-master\examples\cifar10\cifar10_quick_iter_5000.caffemodel.h5D:\caffe-master\examples\cifar10\mean.binaryproto D:\caffe-master\examples\cifar10\synset_words.txtD:\caffe-master\examples\images\cat_gray.jpg
pause
双击后得到分类结果：
猫的概率为0.5034.
从分类结果可以看出，训练迭代次数越多，那么最后测试的准确率越高，同时分类的结果也越好。