####目錄結構

一. 準備工作
二. 編譯
2.1、開啟相關caffe版本的編譯開關配置內容
2.2、手動更改或者指定版本對應編譯器目錄
2.3、下載依賴文件dependencies文件到指定目錄
2.4、編譯
三.?? ?MNIST手寫體字符識別（C++）
3.1、MNIST數據集下載
3.2、轉換數據格式
3.3、訓練和測試數據集
3.4、測試單張圖片
四.?? ?Matlab Demo
4.1、編譯Caffe的Matlab接口
4.2、模型文件下載
4.3、測試
五.?? ?附錄
5.1、生成網絡結構圖
5.2、相關文件說明
5.3、debug調試模式
5.4、配置中關于include phase TRAIN/TEST的相關說明
原創文章，轉載請注明出處 http://blog.csdn.net/wanggao_1990/article/details/76721294。

一、 準備工作
1.1、下載BVLC/Caffe-windows源碼，點擊跳轉下載。
1.2、使用GPU版本，提前安裝CUDA 7.5（VS2015使用8.0）、cuDnn v5，Python 2.7或Python3.5 x64
1.3、若要生成Matlab接口，還需要安裝Matlab
1.4、搭建環境本次是搭建caffe GPU版本，已經安裝VS2015， Python3.5.3 x64， Matlab 2013b， CUDA 8.0，cuDnn v5.1，并生成Matlab接口。
二、?? ?編譯
目錄.\caffe-windows\scripts\下的build_win.cmd，雙擊就能在此目錄下創建build文件夾并生成VS的.sln解決方案，并編譯生成各種版本庫和可執行文件。下圖是雙擊.bat后會出現的內容，也會看到相應的一些配置情況。

通常需要改動build_win.cmd文件和相關.cmake文件的部分內容，以修改一些目錄和下載內容的配置。目錄結構如下。

2.1、開啟相關caffe版本的編譯開關配置內容如下

默認VS2015編譯，自動檢測CUDA，編譯GPU版本，生成release等…
例如，表示需要編譯Matlab版本接口。若不在這里指定，需要編譯Matlab版本接口則需要在cmd中給.bat傳入參數，如.\build_win.cmd -DBUILD_matlab=ON。

2.2、手動更改或者指定版本對應編譯器目錄（VS、Python、Matlab等）
（1）Python 版本是3.5，指定Python對應目錄。

另外，還需要在caffe-windows目錄下修改CMakeList.txt中的python版本號set(python_version "3" CACHE STRING "Specify which Python version to use")（python2為默認）。

（2）是否編譯GPU版本，debug模式下的配置等….
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-JTiNdKS0-1571282551891)(https://github.com/wanggao1990/MarkdownPhotos/blob/master/ImageGithubToMarkdown/windows_caffe-img/2-2-2.png?raw=true)]

（3）指定編譯器，VS2015（或其他VS版本，Ninja）

2.3、提前下載依賴文件dependencies文件到指定目錄
在運行build_win.cmd后，會自動執行位于.\caffe-windows\cmake\目錄下的WindowsDownloadPrebuiltDependencies.cmake文件（可在文件中找到相關的下載網站），建議手動下載libraries_v140_x64_py35_1.1.0.tar.bz2并解壓到到用戶目錄C:\Users\Administrator\.caffe\dependencies下。

從https://github.com/willyd/caffe-builder/releases下載對應版本的依賴文件并解壓到指定位置。

若已經手動下載了，需修改WindowsDownloadPrebuiltDependencies.cmake文件使其不再重復下載，找到如下部分并注釋。

2.4、編譯
運行build_win.cmd文件，沒其他配置問題，等待一段時間就能生成sln和各種文件了。編譯生成的caffe.sln解決方案。編譯生成的解決方案，生成Matlab、C++、Python不同版本的caffe接口庫和samples的數據轉換可執行文件。

三、?? ?MNIST手寫體字符識別（C++）
利用編譯好的C++版本Caffe對MNIST手寫字符進行訓練和識別。

3.1、MNIST數據集下載
從http://yann.lecun.com/exdb/mnist/下載MNIST的數據集（如下四個壓縮文件），并解壓到目錄.\caffe-windows\data\mnist\下。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-FcARikAc-1571282551892)(https://github.com/wanggao1990/MarkdownPhotos/blob/master/ImageGithubToMarkdown/windows_caffe-img/3-1-1.png?raw=true)]

3.2、轉換數據格式
（1）編譯"convert_mnist_data"工程，生成convert_mnist_data.exe，位置如右下圖。

（2）生成LMBD數據文件
在.\caffe-windows\data\mnist\目錄下新建convert_datas.bat批處理文件，內容如下。

雙擊后，分別在當前目錄下的mnist_train_lmdb和mnist_test_lmdb文件夾下生成數據文件，分別用于訓練和測試。運行和生成文件如下：

Tips: 若需要生成levelbd格式，需要在"convert_mnist_data"工程中先指定backend為”leveldb”，再編譯生成exe，重復執行上述操作即可。

3.3、訓練和測試數據集
（1）準備prototxt文件
首先從.\caffe-windows\examples\mnist\目錄下拷貝lenet_solver.prototxt和lenet_train_test.prototxt兩個文件到.\caffe-windows\data\mnist\目錄下。

修改兩個文件的數據源路徑和生成模型文件路徑，內容如下：

如果數據格不為LMBD，還需修改data_param下的backend為對應格式的字符（文件說明見附錄）。

（2）訓練數據集，生成.caffemodel模型
在.\caffe-windows\data\mnist\目錄新建snapshot_lenet文件夾。新建train.bat文件，內容如下。

運行得到如下結果。

利用GPU訓練迭代10000次，最終的準確率為99.05%。生成的模型文件：

（3）測試數據集
在.\caffe-windows\data\mnist\新建test.bat文件，內容如下。

運行得到結果如下，正確率為98.58%。

3.4、測試單張圖片
測試識別單張圖片，準備一張28*28的數字手寫體圖片文件。另外，還需要數據訓練的均值文件、標簽文件、deploy.prototxt文件和識別可執行文件。

（1）生成均值文件mean.binaryproto
編譯“compute_image_mean”工程，生成對應的exe文件，位置如右下圖

在.\caffe-windows\data\mnist\新建compute_mean.bat文件，內容如下。
運行后會在當前目錄下生成一個mean.binaryproto均值文件。

（2）類別標簽文件synset_words.txt
在.\caffe-windows\data\mnist\新建synset_words.txt文件，內容如下

（3）生成測試工具可執行文件
編譯“classification”工程，生成對應的exe文件，位置如右下圖
??

（4）deploy.prototxt文件
該文件由lenet_train_test.prototxt修改而來，可從目錄.\caffe-windows\examples\mnist\下直接拷貝文件lenet.prototxt到當前目錄，并改名為deploy.prototxt。

（5）測試單張圖片
在.\caffe-windows\data\mnist\新建mnist_img_classification.bat文件，內容如下

測試圖片3.bmp位于當前文件夾下，圖片和測試結果如下：

??

能夠正確識別為數字3 （注意，圖片背景為黑，前景為白）。

Tips:
測試當個模型的時候用到了均值文件，建議在訓練文件lenet_train_test.prototxt和測試文件deploy.prototxt中transform_param添加處理命令mean_file: "./mean.binaryproto"。

四、?? ?Matlab Demo
利用CaffeNet演示圖像分類，首先需要編譯Caffe的Matlab接口，再下載一個對應的模型文件，最后就可以運行這個demo。

4.1、編譯Caffe的Matlab接口
編譯“matlab”工程，生成對應的caffe_.mexw64文件，位置如右下圖

4.2、模型文件下載
從http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel下載模型文件，并放到\caffe-windows\models\bvlc_reference_caffenet\文件夾下。

4.3、測試
打開Matlab，設置當前目錄為.\caffe-windows\matlab\demo\，執行以下代碼：

圖片和結果如下：
?

五、?? ?附錄
5.1、生成網絡結構圖
利用.\caffe-windows\python目錄下的draw_net.py腳本繪制網絡結構圖（需要pip安裝依賴的包，見requirements.txt）。新建draw_net.bat批處理文件，內容如下。復制lenet_train_test.prototxt到當前目錄。

運行后結果如下

對my_deploy.prototxt生成結構圖如下

Tips: 可查看大圖。 網絡結構是從下向上生長，當前層的前一層為bottom，后一層是top。

5.2、相關文件說明
（1）lenet_solver.prototxt

The train/test net protocol buffer definition（制定訓練和測試模型） net: " lenet_train_test.prototxt" （網絡配置文件位置）# test_iter specifies how many forward passes the test should carry out. # In the case of MNIST, we have test batch size 100 and 100 test iterations, # covering the full 10,000 testing images. （batch size * test_iter = 10000） test_iter: 100 （測試batch_size=100, 100次測試能覆蓋完整的10000個樣本）# Carry out testing every 500 training iterations. test_interval: 500 （每訓練500次進行一次測試）# The base learning rate, momentum and the weight decay of the network. base_lr: 0.01 （基礎學習率） momentum: 0.9 （動量） weight_decay: 0.0005 （權重衰減）# The learning rate policy （學習策略） lr_policy: "inv" （inv: return base_lr * (1 + gamma * iter) ^ (- power)） gamma: 0.0001 power: 0.75# Display every 100 iterations display: 100（） （每迭代100次打印結果）# The maximum number of iterations max_iter: 10000 （最大迭代次數）# snapshot intermediate results snapshot: 5000 （5000次迭代保存一次臨時模型，名稱為lenet_iter_5000.caffemodel） snapshot_prefix: "examples/mnist/lenet"# solver mode: CPU or GPU solver_mode: GPU （GPU開關）

（2）lenet_train_test.prototxt

name: "LeNet" 網絡名 layer {name: "mnist" 本層名稱type: "Data" 層類型top: "data" 下一層接口top: "label" 下一層接口include {phase: TRAIN}transform_param {scale: 0.00390625 #1/256，預處理如減均值，尺寸變換，隨機剪，鏡像等}data_param {source: "mnist_train_lmdb" 訓練數據位置batch_size: 64 一次訓練的樣本數backend: LMDB 讀入的訓練數據格式，默認lmdb} }layer {name: "mnist"type: "Data"top: "data"top: "label"include {phase: TEST}transform_param {scale: 0.00390625}data_param {source: "mnist_test_lmdb"batch_size: 100 一次測試使用100個數據backend: LMDB} }layer {name: "conv1"type: "Convolution" 卷積層bottom: "data" 上一層名“data”top: "conv1" 下一層接口“conv1”param {lr_mult: 1 （weights的學習率與全局相同）}param {lr_mult: 2 （biases的學習率是全局的2倍）}convolution_param {num_output: 20 卷積核20個kernel_size: 5 卷積核尺寸5×5stride: 1 步長1weight_filler {type: "xavier" （隨機的初始化權重和偏差）}bias_filler {type: "constant" bias用0初始化}} }layer {name: "pool1"type: "Pooling" 池化層bottom: "conv1" 上層“conv1”top: "pool1" 下層接口“pool1”pooling_param {pool: MAX 池化函數用MAXkernel_size: 2 池化核函數大小2×2stride: 2 步長2} }layer {name: "conv2"type: "Convolution"bottom: "pool1"top: "conv2"param {lr_mult: 1}param {lr_mult: 2}convolution_param {num_output: 50 卷積核50個kernel_size: 5stride: 1weight_filler {type: "xavier"}bias_filler {type: "constant"}} }layer {name: "pool2"type: "Pooling"bottom: "conv2"top: "pool2"pooling_param {pool: MAXkernel_size: 2stride: 2} }layer {name: "ip1"type: "InnerProduct" 全連接層bottom: "pool2" 上層連接“pool2”top: "ip1" “下層輸出接口ip1”param {lr_mult: 1}param {lr_mult: 2}inner_product_param {num_output: 500 輸出數量500weight_filler {type: "xavier"}bias_filler {type: "constant"}} }layer {name: "relu1"type: "ReLU" 激活函數bottom: "ip1"top: "ip1" （這個地方還是ip1，底層與頂層相同減少開支，下一層全連接層的輸入也還是ip1） }layer {name: "ip2"type: "InnerProduct"bottom: "ip1"top: "ip2"param {lr_mult: 1}param {lr_mult: 2}inner_product_param {num_output: 10 輸出結果10個weight_filler {type: "xavier"}bias_filler {type: "constant"}} }layer {name: "accuracy"type: "Accuracy"bottom: "ip2" 上層連接ip2全連接層bottom: "label" 上層連接label層top: "accuracy" 輸出接口為accuracyinclude {phase: TEST } }layer {name: "loss"type: "SoftmaxWithLoss" 損失函數bottom: "ip2"bottom: "label"top: "loss" }

（3）lenet.prototxt

name: "LeNet"（網絡的名字） layer {name: "data"type: "Input" （層類型，輸入）top: "data" （導入數據這一層沒有bottom，因為是第一層）input_param { shape: { dim: 64 dim: 1 dim: 28 dim: 28 } } （64張圖為一批，28*28大小） } 讀取這批數據維度：64 1 28 28layer {name: "conv1"type: "Convolution" （卷積類型層）bottom: "data" （上一層名叫做data）top: "conv1" （下一層名叫做conv1）param {lr_mult: 1 （weights的學習率與全局相同）}param {lr_mult: 2 （biases的學習率是全局的2倍）}convolution_param { （卷積操作參數設置）num_output: 20 （卷積輸出數量20，由20個特征圖Feature Map構成）kernel_size: 5 （卷積核的大小是5*5）stride: 1 （卷積操作步長）weight_filler {type: "xavier" （隨機的初始化權重和偏差）}bias_filler {type: "constant" （bias使用0初始化）}} （通過卷積之后，數據變成（28-5+1）*（28-5+1），20個特征） } 卷積之后這批數據維度：64 20 24 24layer {name: "pool1"type: "Pooling" （下采樣類型層）bottom: "conv1"top: "pool1"pooling_param {pool: MAX （下采樣方式，取最大值）kernel_size: 2 （下采樣核函數size）stride: 2 （步長）} } 下采樣之后這批數據維度：64 20 12 12layer {name: "conv2"type: "Convolution"bottom: "pool1"top: "conv2"param {lr_mult: 1}param {lr_mult: 2}convolution_param {num_output: 50 （50個卷積核）kernel_size: 5stride: 1weight_filler {type: "xavier"}bias_filler {type: "constant"}} } 卷積之后這批數據維度：64 50 8 8layer {name: "pool2"type: "Pooling"bottom: "conv2"top: "pool2"pooling_param {pool: MAXkernel_size: 2stride: 2} } 下采樣之后這批數據維度：64 50 4 4layer {name: "ip1"type: "InnerProduct" （全連接類型層）bottom: "pool2"top: "ip1"param {lr_mult: 1}param {lr_mult: 2}inner_product_param { （全連接層參數設置）num_output: 500 （輸出為500）weight_filler {type: "xavier"}bias_filler {type: "constant"}} （4*4的數據通過4*4的卷積得到1*1的數據） } 通過全連接層之后這批數據維度：64 500 1 1layer {name: "relu1"type: "ReLU" （激活函數類型層）bottom: "ip1"top: "ip1" （這個地方還是ip1，底層與頂層相同減少開支，下一層全連接層的輸入也還是ip1） } 通過ReLU層之后這批數據維度：64 500 1 1（不做改變）layer {name: "ip2"type: "InnerProduct"bottom: "ip1"top: "ip2"param {lr_mult: 1}param {lr_mult: 2}inner_product_param {num_output: 10 （直接輸出結果，0-9，十個數字所以維度是10）weight_filler {type: "xavier"}bias_filler {type: "constant"}} （數據的分類判斷在這一層中完成） } 通過全連接層之后這批數據維度：64 10 1 1layer {name: "prob"type: "Softmax" （損失函數）bottom: "ip2"top: "prob" （一開始數據輸入為date的話，這里寫label） }

5.3 Debug調試模式
當我們想進入debug模式進行調試代碼時，切換方案配置為Debug，點擊build時，會提示找不到python*.lib。正常情況下，debug也是應該找python*_d.lib的。問過caffe的作者，回答為：

Usually official python builds do not include the debug library. Python.h inserts a linker directive for the python35_d.lib in debug and python35.lib in release but boost.python tries to fool python.h so that it links to python35.lib since most people won’t have python35_d.lib. If you want to use the debug library define BOOST_DEBUG_PYTHON see: http://www.boost.org/doc/libs/1_61_0/boost/python/detail/wrap_python.hpp。

另外，wrap_python.hpp的開頭注釋中也寫到 This file serves as a wrapper around “Python.h" which allows it to be compiled with GCC 2.95.2 under Win32 and which disables the default MSVC behavior so that a program may be compiled in debug mode without requiring a special debugging build of the Python library.

解決辦法：
打開 .caffe\dependencies\libraries_v140_x64_py35_1.1.0\libraries\include\boost-1_61\boost\python\detail\下的wrap_python.hpp文件，添加一句#define BOOST_DEBUG_PYTHON，修改如下。之后便能在debug下編譯成功。

#ifdef _DEBUG #define BOOST_DEBUG_PYTHON # ifndef BOOST_DEBUG_PYTHON # ifdef _MSC_VER

5.4 配置中關于include phase TRAIN/TEST的相關說明
prototxt文件一般會有2個或3個， 2個時為 train_val.prototxt 和 deploy.prototxt， 3個時為 train.prototxt，val.prototxt 和 deploy.prototxt 。
其中deploy.prototxt不用解釋，通常會是 train_val.prototxt ，這個里面就存在以下兩種參數：

include {phase: TRAIN }include {phase: TEST }

這兩種參數分別配置訓練train和驗證validation, 多數多出現在 Data 和 Accuracy 層，供模型有區別地選擇當前層的配置。

(1) Data層
例如train_val.prototxt 中有2個Data層，如下圖，在訓練時使用目錄mnist_train_lmdb下的數據集，在測試時使用目錄mnist_test_lmdb下的數據。
??
如果訓練和測試的樣本一樣，有兩種使用方式：
第一種，保留兩個data層，data_param中source使用同一個數據；
第二種，去掉include { phase: xxx}， 使用默認方式，默認的data_param中source既用在訓練train，也用在驗證validation中。

注意，指定phase時，必須有2個，若僅保留TRAIN，會報錯誤 F1017 11:17:45.960036 15712 insert_splits.cpp:29] Unknown bottom blob ‘data’ (layer ‘conv1’, bottom index 0), 提示bottom層既data層不存在。

(2) Accuracy層
當phase為TEST時，僅在指定如

test_iter: 100 ? ? ? ?# 驗證樣本迭代次數，10000個樣本設置batch_size=100, 需要100次
test_interval: 500 ? ?# 進行驗證的迭代間隔500, 每訓練迭代500，對10000個樣本驗證一次

時，accuracy僅出現在驗證過程中。

layer {name: "accuracy"type: "Accuracy"bottom: "ip2"bottom: "label"top: "accuracy"include {phase: TEST}

選擇第500次迭代，會多出一部分有 Test net ouput #0 accuracy 和 #1 loss。其他次迭代僅有一個 Train net outpu #0的loss。

若去掉 include { phase: TEST } , 則默認為訓練和測試都進行驗證。訓練過程是每個迭代都計算accuracy，測試保持為每500迭代一次。截圖分別如下。

原創文章，轉載請注明出處 http://blog.csdn.net/wanggao_1990/article/details/76721294。
————————————————
版權聲明：本文為CSDN博主「王高」的原創文章，遵循 CC 4.0 BY 版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/wanggao_1990/article/details/76721294

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的Caffe-windows入门学习，编译、训练、测试详细教程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。