win7旗舰版+caffe+vs2013+matlab2014b(无GPU版)

参考网站：

http://www.cnblogs.com/njust-ycc/p/5776286.html

无法找到gpu/mxGPUArray.h: No such file or directory

解决网站：http://www.fx114.net/qa-149-8865.aspxwww.fx114.net/qa-272-151280.aspx

一、前言

本文会详细地阐述caffe-windows的配置教程。由于博主自己也只是个在校学生，目前也写不了太深入的东西，所以准备从最基础的开始一步步来。个人的计划是分成配置和运行

官方教程，利用自己的数据集进行训练和利用caffe来实现别人论文中的模型(目前在尝试的是轻量级的SqueezeNet)三步走。不求深度，但求详细。因为说实话caffe-windows的配置

当初花了挺多时间的，目前貌似还真没有从头开始一步步讲起的教程，所以博主就争取试着每一步都讲清楚吧。

这里说些题外话：之所以选择SqueezeNet是因为相比于目前互联网行业深度学习应用的火热，移动设备端的深度学习应用实在少得可怜。如果我没记错地话，苹果在2016年9月7

日发布会中提到了机器学习两次，其中ios10的一个亮点就是利用深度学习技术实现照片中人脸的自动识别归类，私下里测试了下效果很不错。当然缺点也显而易见：由于需要大量的

计算，目前只在用户接通电源的情况下才会去识别。我的师兄们也尝试过用深度学习做移动设备端应用的开发，不过最后由于花费时间太长改成了上传到服务器端完成。所以计算量

大应该算是深度学习应用向移动设备端转移的一个很大问题。不过，有理由相信今后移动设备端的深度学习应用会变得越来越多，也会是一个前景广阔的市场。

二、环境

系统版本：Windows 10 专业版 64位

Visual Studio版本：Visual Studio Ultimate 2013

都可以从itellyou上下载到，强烈推荐使用上述版本的Visual Studio(以下简称VS)。

三、详细步骤

caffe-windows配置部分

(1)确保正确安装了VS后首先下载caffe-windows源代码，网址如下：

https://github.com/BVLC/caffe/tree/windows

我下载得到的caffe-windows.zip的MD5值为：8F2804014EF395094584230A4A9EE8A6，不排除后续源代码更新导致本教程失效的可能，因此保险的话可以校验一下。

(2)解压后进入如下路径：\caffe-windows\windows(之后路径均默认在caffe-windows文件夹下，因此都省略\caffe-windows)

在\windows目录下复制文件 CommonSettings.props.example(应该会以副本形式出现CommonSettings.props - 副本.example),并将该副本改名为CommonSettings.props。

(请确认显示文件扩展名这个选项已生效)

(3)用VS打开CommonSettings.props，进行如下两个更改后保存退出。

1.第7行的false改成true；2.第8行的true改成false；更改后效果如下：

如果是像我一样的初学者不推荐一开始就配置GPU版本的caffe，因为又会有很多问题出现，容易打消积极性，更应该先利用CPU版本初步掌握caffe后再进一步研究GPU版本。

(4)用VS打开\windows下的Caffe.sln，加载完成后右键点击解决方案资源管理器中的解决方案Caffe,选择启用NuGet程序包还原（VS会自动地将caffe要用到的第三方库下载完成，

就功能来说还是很方便的，有点类似linux的apt-get，还不用担心版本问题。不过就caffe实际用这个还原第三方库的体验来说真不咋的)，如下图所示：

    接下来的过程十分漫长，还有可能出现未响应或下载中断的情况。

我想了一种可取且可行的方案：在第四步打开Caffe.sln之前先下载别人已经下载好的NugetPackages文件夹，并放到和caffe-windows文件夹的同级目录下。

这样之后再打开Caffe.sln时能够自动识别出来(亲自试了一下是可行的)。提供一个NugetPackages文件夹的压缩包：http://pan.baidu.com/s/1qYpg3bY，提取码f2zx。

如果自己可以下载，那下载完成后会在caffe-windows文件同级目录下出现一个新的NugetPackages文件夹(里面有16个子文件夹，都是caffe需要用到的库，

之后会结合实际运行结果简单介绍下这些库)。如果点击上图中的管理解决方案的NuGet程序包(G)还可以看到这些库的简要信息，如下图所示：

(5)之后点击项目-属性(或直接右击解决方案Caffe选择属性)，把配置修改成Release x64，并将生成全部勾上，如下图所示。最后就可以点生成解决方案了，

然后又是较长的等待。。

这里会出现一个问题，单独说明下：

报出类似下面的错误：

error LNK1104:无法打开文件“libcaffe.lib”

网上的解决方案是对libcaffe单独重新生成，如下图所示：

但这样的话会出现另外一个错误：

error C2220:警告被视为错误-没有生成“object”文件

如果出现这样的错误，请打开项目-属性按照下图进行更改：

之后再对libcaffe重新生成应该就可以成功通过。

最后再点击生成-生成解决方案应该就可以生成成功了。至此caffe-windows配置完成。进入目录\caffe-windows\Build\x64\Debug里面众多的可

执行文件都会在之后用到。

其实Debug也是可以的，但是这样的话之后每次都要打开VS,总觉得有点不方便，所以后面还是通过自己写bat文件调用caffe。Debug的方法

可以参考这篇文章[2]。

到了这一步恭喜你配置已经完成了。接下来就可以用mnist数据集生成模型了。

mnist数据集测试部分

这部分本来应该分开来写的，但由于完成了caffe-windows配置部分也不知道到底配置得正不正确，所以还是一鼓作气地用机器学习的

Hello World程序：mnist手写数字数据集来测试下。

(1)首先下载mnist数据集http://yann.lecun.com/exdb/mnist/，这里需要注意的是caffe并不直接通过下载得到的四个文件进行训练，而是会

把它转化为lmdb或leveldb格式进行读取。lmdb是lightning(闪电的) memory-mapped database manager的缩写，能够把原始数据通过更为

高效的存储方式存储，从而加快读取和训练速度(lmdb比leveldb更快，可以看看刚刚的NugetPackages文件夹，当中就包含着对应的库)。

实现这个转化的代码是\examples\mnist的convert_mnist_data.cpp，但也没必要看，因为它的运行脚本create_mnist.sh显然是linux下的东西。

想了想也可以理解，毕竟caffe本来也不支持windows，能移植过来就不错了，也不能指望大牛们把所有例子的代码都一并移植过来。后续教程会

专门介绍如何实现自己的数据集向lmdb和leveldb转换。目前更很好的办法就是直接网盘下载，这里分享一个http://pan.baidu.com/s/1c2G9qyk 提取码xama。

里面是已经经过转换的leveldb格式的训练集和测试集，把这两个文件夹直接放到\examples\mnist目录下，如下图所示：

(2)在正式运行前还有几个文件中需要进行改动，首先用VS打开\examples\mnist目录下的lenet_solver.prototxt，将最后一行改成CPU：

可以看到，这个文件是对网络训练参数进行指定：max_iter指定了最大迭代次数，snapshot是输出中间结果。上图中的参数已经修改过，

初始的max_iter和snapshot是10000和5000。

接着再用VS打开\examples\mnist目录下的lenet_train_test.prototxt，做如下修改以正确指定训练集和测试集。

这里额外介绍下caffe-windows采用的LeNet-5模型，也就是上图中layer的定义方式。由于之后自己写代码实现模型时肯定需要

对LeNet-5模型有了解，所以提供该模型的原始资料以供参考。

http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf

   其实平时看些别人论文中提供的代码，上述两个文件也算是论文和代码的核心所在。基本都是提供自己编写的上述两个文件，

再加上最终训练出来的caffemodel，日志和几张效果图。比如下图就是SqueezeNet提供的的：

(3)完成上述工作后就可以编写bat脚本进行正式训练了。回到caffe-windows的根目录下新建一个run.txt并写入以下内容(自己

敲一遍感觉效果更佳，特别是像我一样之前对bat文件完全不懂的人)：

将后缀名改成bat后双击运行，不出意料，应该会出现类似如下的训练过程：

四、mnist运行结果

我清除解决方案后按照上述步骤重新试了一次，没有出现问题。当然也还是不能保证100%能运行，所以如果出现任何

错误的话欢迎交流。

下面就对运行的结果进行一些简单的解释：

最前面的部分是打印各种信息(包括是用CPU还是GPU、训练参数、网络参数等等)，类似下图内容：

之后即为和下图一样的正式训练过程，可以看到打印信息的格式也是有规律的：

左侧为caffe采用的GLOG库内方法打印的信息，这个库主要起记录日志的功能，方便出现问题时查找根源，具体格式为：

[日期] [时间] [进程号] [文件名] [行号]

往右即为当前迭代次数以及损失值(训练过程不输出准确率accuracy)。

当迭代次数达到lenet_solver.prototxt定义的max_iter时，就可以认为训练结束了。并且最终会在目录\examples\mnist下产生

训练出的模型(文件后缀名为caffemodel和solverstate)，如下图所示：

分别是训练至一半和训练最终完成后的模型。接下来可以用这模型对mnist的测试集和自己手写的数字进行测试(见下篇教程)。

五、结语

也许到目前为止你还是感觉caffe像个黑盒一样，无法洞悉它的具体工作过程。但至少到这一步为止你已经完成了最初的caffe

配置过程并成功利用mnist数据训练出了第一个caffemodel。之后的东西虽然不能说简单，但并没有这最初的一步来得意义重大。

完成了Step ZERO to ONE，就能饱含信心的继续下去，进一步探究caffe(好像鸡汤了？)。在接下来的教程中会用到该模型对mnist

数据集以及你自己手写的图片进行测试。后者还是很有趣的。

六、参考

[1]深度学习21天实战Caffe 赵永科 电子工业出版社

(虽然这本书由于大量地贴代码，评价不是太好，但对初学者还是有很多可取之处的)

[2]http://m.blog.csdn.net/article/details?id=51355143

[3]Caffe官方教程中译本 社区预览版