實驗平臺：

Win7 64bit, VS 2015(Professional), matlab 2016b(64bit), python2.7.12, Eclipse IDE for Java Developers（Version: Neon.1a Release (4.6.1)），Cmake 3.8.0，
protoc-3.1.0-windows-x86_64 ，boost_1_61_0-msvc-14.0-64

資料下載

百度雲：

可以下載到下面所用到的檔案。

GPU-Z 參看自己電腦GPU是否支援CUDA.

caffe-windows 下載地址：

caffe-master 下載地址：

caffe-windows 和 caffe-master 的區別和聯絡：

在caffe-windows檔案下，我們可以看到有個windows資料夾，其組織形式類似於caffe-master檔案，並說其是舊版本，以後將拋棄。因此，caffe-windows 是caffe-master 的新版本。並且caffe-windows 支援VS2015 和VS2013 ，caffe-master 僅支援VS2013。因此，我們下載caffe-windows 即可。

Anaconda是管理和下載Python, R and Scala 語言包的工具。Miniconda是其簡化版本，僅支援Python。我們使用Miniconda下載Python包，Miniconda在安裝的時候會將其自動新增到環境變數中，因此我們可以通過cmd命令在dos下直接使用conda命令進行下載包。

conda命令在下載python包的時候很慢，因此，我們清華大學的映象：

新增三個映象網址：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge 
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
 

想要刪除清華源把add改成remove就行。

顯示URL

conda config --set show_channel_urls yes

通過下面的指令可以參看是否新增成功:

> conda config --get channels

映象中擁有的python包(for windows)：

如果裡面沒有，我們可以去官網：

下載需要的包，通過pip.exe進行安裝。

python介面依賴：

> conda install --yes numpy scipy matplotlib scikit-image pip six

> conda install --yes --channel willyd protobuf==3.1.0

注意：
在使用上面安裝的時候，可能會因為一個安裝錯誤，出現回滾到原狀態，那麼可以一個庫，一個庫的安裝。

補充：

.whl檔案的安裝，例如下載的為protobuf.whl檔案。那麼利用pip.exe進行安裝，進入cmd命令列，切換到:

D:\python\python2.7.12\Scripts

執行:

pip install protobuf.whl

切記，指令中一定要帶有.whl副檔名。

Caffe 安裝

0. 前期工作

VS 2015, Matlab, Python, Eclispe ,Cmake都安裝好，利用Miniconda將上面python依賴的包都下載好，確定 VS,Matlab,Python,Cmake都在環境變數中。
如下：

Path=D:\python\python2.7.12;
E:\cmake-3.8.0-rc2-win64-x64\bin;
D:\Program Files\MATLAB\R2016b\bin;
D:\Program Files\MATLAB\R2016b\runtime\win64;
D:\Program Files\MATLAB\R2016b\polyspace\bin;
D:\Program Files (x86)\Microsoft Visual Studio 14.0\SDK;
D:\Program Files (x86)\Microsoft Visual Studio 14.0


VCROOT=D:\Program Files (x86)\Microsoft Visual Studio 14.0

VS140COMNTOOLS=D:\Program Files (x86)\Microsoft Visual Studio 14.0\Common7\Tools\

D:\Miniconda2
D:\Miniconda2\Scripts
D:\Miniconda2\Library\bin

安裝Miniconda的時候，過程中，我選擇將python整合到miniconda中，在miniconda中也會用python解析器,環境變數中含有兩個，不曉得在後面是否衝突（可測試）。這樣的話只安裝miniconda就可以了其自帶python，就不用額外的裝python了，並且環境變數值D:\python\python2.7.12可去掉。

1.build_win檔案的編輯

編輯：E:\caffe-windows\scripts\build_win.cmd

因為對cmd檔案中的執行流程不太清楚。因此將
if DEFINED APPVEYOR 條件語句中的與上圖對應的處也進行了設定。
並也設定了Miniconda的路徑。

 :: Set python 2.7 with conda as the default python
    if !PYTHON_VERSION! EQU 2 (
        set CONDA_ROOT=D:\Miniconda2
    )

註釋：

一個合理的理解是，就像.cmd檔案中在if DEFINED APPVEYOR語句 給出在註釋為：:: Default values，因此if DEFINED APPVEYOR語句中的並不需要修改，只需要修改截圖中紅色的標識處以及miniconda的路徑。（即需要修改的地方cmd檔案中都給出註釋。）

在cmd命令列中執行(確定cmake在環境變數中，如E:\cmake-3.8.0-rc2-win64-x64\bin)：

E:\caffe-windows\scripts\build_win.cmd

該命令會在E:\caffe-windows\scripts\目錄下建立一個build資料夾，並且會將額外的庫libraries_v140_x64_py27_1.0.1.tar下載到該資料夾，由於通過命令列下載很慢，我們可以中斷命令的執行，手動下載該庫檔案到build目錄下，然後再重新執行上面的指令。指令執行完之後，在build檔案下形成Caffe.sln。

註釋：
在執行bulid_win.cmd時候經常會碰到兩個問題：
(1) the C compiler identification is unknown… （首先檢查一下VS的環境變數），如果環境變數都搭配好了。那麼進入bulid/CMakeFiles/CMakeError.txt。進行參考：

LINK : fatal error LNK1104: 無法開啟檔案“ucrtd.lib” 

利用everything搜尋，發現該檔案在：

C:\Program Files (x86)\Windows Kits\10\Lib\10.0.10150.0\ucrt\x64

目錄下，將該目錄下的4個庫檔案，全部拷貝到：

C:\Program Files (x86)\Windows Kits\8.1\Lib\winv6.3\um\x64

即可解決問題。可能還會碰到“corecrt.h”檔案無法找到，同樣的道理，將：

C:\Program Files (x86)\Windows Kits\10\Include\10.0.10150.0\ucrt

所有標頭檔案拷貝到：

D:\Program Files (x86)\Microsoft Visual Studio 14.0\VC\include

(2). the dependency target “pycaffe’ of target “pytest” does not exist。
是因為python中檢測不到numpy庫的原因(檢測build_win.cmd中miniconda的路徑是否配置正確)，第二個方法是直接利用pip 安裝numpy庫。

每次修改，請記得清理build資料夾中生成的檔案，在重新執行build_win.cmd命令

(3)Could NOT find Matlab (missing :Matlab_MEX_EXTENSION) (find version “9.1”。在部分電腦上將Matlab裝在D盤，結果會出現這個問題。解決方法是將Matlab裝在C盤就好了。

2 .環境變數的新增：

我們通過 RapidEE新增三個環境變數，其在後面的程式執行時呼叫：

E:\caffe-windows\scripts\build\libraries\bin
E:\caffe-windows\scripts\build\libraries\lib
E:\caffe-windows\scripts\build\libraries\x64\vc14\bin

新增完後，記得一定要重啟電腦。如果忘記新增環境變數或者未重啟的話，在matlab測試caffe時，會提示:

caffe_.mexw64 無效的mex檔案。

3 編譯caffe,matlab,pycaffe專案

用VS2015開啟build資料夾下的Caffe.sln，會在VS的資源管理器目錄看到: caffe,matlab,pycaffe 三個專案，其預設是編譯release版本，我們依次進行編譯，可以通過選中專案，右鍵屬性的方式，看到三個專案的配置，以及編譯生成的檔案儲存的路徑：

E:\caffe-windows\scripts\build\lib\Release\caffe.lib
E:\caffe-windows\matlab+caffe\private\Release\caffe_.mexw64
E:\caffe-windows\scripts\build\lib\Release_caffe.pyd

4. matlab 使用caffe

在上面的儲存生成路徑中，我們可以看到，caffe_.mexw64在E:\caffe-windows\matlab+caffe\private\Release目錄下，我們將其拷貝到:上一層目錄下，即private目錄下。然後開啟matlab，將工具路徑設定為：
E:\caffe-windows\matlab\demo ，然後新建一個test_caffe.m,即如下的matlab測試程式碼拷貝，執行即可。(+caffe是matlab類,對介面進行了封裝).

注意： 編譯完後，所有東西感覺都設定好了，有時候還會提示，

Invalid MEX-file ‘*matlab/+caffe/private/.mexw64

使用depends.exe工具（網上自己下載），開啟.mexw64 它會告訴你缺少什麼，然後或者把什麼新增到環境變數或者缺少其他庫等等。

5. python 使用caffe

將 E:\caffe-windows\python 下的caffe資料夾，拷貝到：python的site-packages 資料夾下，我們這裡是：

D:\python\python2.7.12\Lib\site-packages

其實我們會看到，編譯生成的_caffe.pyd 也會在E:\caffe-windows\python\caffe 目錄下生成一份。

注意!!!：在進行matlab和python測試前，請確保需要模型檔案放置到訪問到的目錄下，如將bvlc_reference_caffenet.caffemodel 檔案放到：

E:\caffe-windows\models\bvlc_reference_caffenet\

以及synset_words.txt(for matlab)放在同test_caffe.m的目錄下。

6. VS2015 使用Caffe

Caffe給出了一個測試用例classification.cpp，在E:\caffe-windows\examples\cpp_classification下（具體根據自己當前Caffe位置）
。為了執行例子。需要搭配執行環境。
1. 先進一個VS控制檯應用程式，參考caffe 21天，配置工程的包含目錄，庫目錄和環境變數,自己可以選擇是Debug模式還是Release模式。
2. 輸入命令引數：

eploy.prototxt bvlc_reference_caffenet.caffemodel imagenet_mean.binaryproto synset_words.txt cat.jpg

注：缺少的檔案都可以通過上面分享的百度雲中找到。

補充：

Miniconda 安裝的python包是在一個單獨目錄下,如我的是

C:\Users\***\Miniconda2\Lib\site-packages

在Eclipse中，我們將該目錄新增進去即可。

matlab測試code:

% test_caffe.m
close all;clear all;
im = imread('../../examples/images/cat.jpg');%讀取圖片
figure;imshow(im);%顯示圖片
[scores, maxlabel] = classification_demo(im, 0);%獲取得分第二個引數0為CPU，1為GPU
maxlabel %檢視最大標籤是誰
figure;plot(scores);%畫出得分情況
axis([0, 999, -0.1, 0.5]);%座標軸範圍
grid on %有網格

fid = fopen('synset_words.txt', 'r');
i=0;
while ~feof(fid)
    i=i+1;
    lin = fgetl(fid);
    lin = strtrim(lin);
    if(i==maxlabel)
        fprintf('the label of %d is %s\n',i,lin)
        break
    end
end

結果：

python測試code:

# coding=gbk
'''
Created on 2017年3月9日
'''
#安裝Python環境、numpy、matplotlib
import numpy as np
import matplotlib.pyplot as plt

#設定預設顯示引數
plt.rcParams['figure.figsize'] = (10, 10)        # 影象顯示大小
plt.rcParams['image.interpolation'] = 'nearest'  # 最近鄰差值: 畫素為正方形
plt.rcParams['image.cmap'] = 'gray'  # 使用灰度輸出而不是彩色輸出

import sys
caffe_root = 'E:/caffe-windows/'  #該檔案要從路徑{caffe_root}/examples下執行，否則要調整這一行。
sys.path.insert(0, caffe_root + 'python')

import caffe

import os
if os.path.isfile(caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'):
    print 'CaffeNet found.'
else:
    print 'Downloading pre-trained CaffeNet model...'
# !../scripts/download_model_binary.py ../models/bvlc_reference_caffenet

caffe.set_mode_cpu()

model_def = caffe_root + 'models/bvlc_reference_caffenet/deploy.prototxt'
model_weights = caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'

net = caffe.Net(model_def,      # 定義模型結構
                    model_weights,  # 包含了模型的訓練權值
                    caffe.TEST)     # 使用測試模式(不執行dropout)
 # 載入ImageNet影象均值 (隨著Caffe一起釋出的)
mu = np.load(caffe_root + 'python/caffe/imagenet/ilsvrc_2012_mean.npy')
mu = mu.mean(1).mean(1)  #對所有畫素值取平均以此獲取BGR的均值畫素值
print 'mean-subtracted values:', zip('BGR', mu)

# 對輸入資料進行變換
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})

transformer.set_transpose('data', (2,0,1))  #將影象的通道數設定為outermost的維數
transformer.set_mean('data', mu)            #對於每個通道，都減去BGR的均值畫素值
transformer.set_raw_scale('data', 255)      #將畫素值從[0,255]變換到[0,1]之間
transformer.set_channel_swap('data', (2,1,0))  #交換通道，從RGB變換到BGR

# 設定輸入影象大小
net.blobs['data'].reshape(50,        # batch 大小
                              3,         # 3-channel (BGR) images
                              227, 227)  # 影象大小為:227x227
image = caffe.io.load_image(caffe_root + 'examples/images/cat.jpg')
transformed_image = transformer.preprocess('data', image)
plt.imshow(image)
plt.show()

# 將影象資料拷貝到為net分配的記憶體中
net.blobs['data'].data[...] = transformed_image

### 執行分類
output = net.forward()  
output_prob = output['prob'][0]  #batch中第一張影象的概率值   
print 'predicted class is:', output_prob.argmax()
# 載入ImageNet標籤
labels_file = caffe_root + 'data/ilsvrc12/synset_words.txt'
# if not os.path.exists(labels_file):
#    !../data/ilsvrc12/get_ilsvrc_aux.sh

labels = np.loadtxt(labels_file, str, delimiter='\t')

print 'output label:', labels[output_prob.argmax()]

結果：

CaffeNet found.
WARNING: Logging before InitGoogleLogging() is written to STDERR
W0309 15:43:33.012079  8740 _caffe.cpp:172] DEPRECATION WARNING - deprecated use of Python interface
W0309 15:43:33.012079  8740 _caffe.cpp:173] Use this instead (with the named "weights" parameter):
W0309 15:43:33.012079  8740 _caffe.cpp:175] Net('E:/caffe-windows/models/bvlc_reference_caffenet/deploy.prototxt', 1, weights='E:/caffe-windows/models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel')
I0309 15:43:33.026078  8740 net.cpp:53] Initializing net from parameters: 
name: "CaffeNet"
state {
  phase: TEST
  level: 0
}
layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param {
    shape {
      dim: 10
      dim: 3
      dim: 227
      dim: 227
    }
  }
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  convolution_param {
    num_output: 96
    kernel_size: 11
    stride: 4
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "conv1"
  top: "conv1"
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "norm1"
  type: "LRN"
  bottom: "pool1"
  top: "norm1"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "norm1"
  top: "conv2"
  convolution_param {
    num_output: 256
    pad: 2
    kernel_size: 5
    group: 2
  }
}
layer {
  name: "relu2"
  type: "ReLU"
  bottom: "conv2"
  top: "conv2"
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "norm2"
  type: "LRN"
  bottom: "pool2"
  top: "norm2"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv3"
  type: "Convolution"
  bottom: "norm2"
  top: "conv3"
  convolution_param {
    num_output: 384
    pad: 1
    kernel_size: 3
  }
}
layer {
  name: "relu3"
  type: "ReLU"
  bottom: "conv3"
  top: "conv3"
}
layer {
  name: "conv4"
  type: "Convolution"
  bottom: "conv3"
  top: "conv4"
  convolution_param {
    num_output: 384
    pad: 1
    kernel_size: 3
    group: 2
  }
}
layer {
  name: "relu4"
  type: "ReLU"
  bottom: "conv4"
  top: "conv4"
}
layer {
  name: "conv5"
  type: "Convolution"
  bottom: "conv4"
  top: "conv5"
  convolution_param {
    num_output: 256
    pad: 1
    kernel_size: 3
    group: 2
  }
}
layer {
  name: "relu5"
  type: "ReLU"
  bottom: "conv5"
  top: "conv5"
}
layer {
  name: "pool5"
  type: "Pooling"
  bottom: "conv5"
  top: "pool5"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "fc6"
  type: "InnerProduct"
  bottom: "pool5"
  top: "fc6"
  inner_product_param {
    num_output: 4096
  }
}
layer {
  name: "relu6"
  type: "ReLU"
  bottom: "fc6"
  top: "fc6"
}
layer {
  name: "drop6"
  type: "Dropout"
  bottom: "fc6"
  top: "fc6"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc7"
  type: "InnerProduct"
  bottom: "fc6"
  top: "fc7"
  inner_product_param {
    num_output: 4096
  }
}
layer {
  name: "relu7"
  type: "ReLU"
  bottom: "fc7"
  top: "fc7"
}
layer {
  name: "drop7"
  type: "Dropout"
  bottom: "fc7"
  top: "fc7"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc8"
  type: "InnerProduct"
  bottom: "fc7"
  top: "fc8"
  inner_product_param {
    num_output: 1000
  }
}
layer {
  name: "prob"
  type: "Softmax"
  bottom: "fc8"
  top: "prob"
}
I0309 15:43:33.026078  8740 layer_factory.cpp:58] Creating layer data
I0309 15:43:33.026078  8740 net.cpp:86] Creating Layer data
I0309 15:43:33.026078  8740 net.cpp:382] data -> data
I0309 15:43:33.026078  8740 net.cpp:124] Setting up data
I0309 15:43:33.026078  8740 net.cpp:131] Top shape: 10 3 227 227 (1545870)
I0309 15:43:33.026078  8740 net.cpp:139] Memory required for data: 6183480
I0309 15:43:33.026078  8740 layer_factory.cpp:58] Creating layer conv1
I0309 15:43:33.026078  8740 net.cpp:86] Creating Layer conv1
I0309 15:43:33.026078  8740 net.cpp:408] conv1 <- data
I0309 15:43:33.026078  8740 net.cpp:382] conv1 -> conv1
I0309 15:43:33.026078  8740 net.cpp:124] Setting up conv1
I0309 15:43:33.026078  8740 net.cpp:131] Top shape: 10 96 55 55 (2904000)
I0309 15:43:33.026078  8740 net.cpp:139] Memory required for data: 17799480
I0309 15:43:33.026078  8740 layer_factory.cpp:58] Creating layer relu1
I0309 15:43:33.026078  8740 net.cpp:86] Creating Layer relu1
I0309 15:43:33.026078  8740 net.cpp:408] relu1 <- conv1
I0309 15:43:33.026078  8740 net.cpp:369] relu1 -> conv1 (in-place)
I0309 15:43:33.026078  8740 net.cpp:124] Setting up relu1
I0309 15:43:33.026078  8740 net.cpp:131] Top shape: 10 96 55 55 (2904000)
I0309 15:43:33.026078  8740 net.cpp:139] Memory required for data: 29415480
I0309 15:43:33.026078  8740 layer_factory.cpp:58] Creating layer pool1
I0309 15:43:33.026078  8740 net.cpp:86] Creating Layer pool1
I0309 15:43:33.026078  8740 net.cpp:408] pool1 <- conv1
I0309 15:43:33.026078  8740 net.cpp:382] pool1 -> pool1
I0309 15:43:33.026078  8740 net.cpp:124] Setting up pool1
I0309 15:43:33.026078  8740 net.cpp:131] Top shape: 10 96 27 27 (699840)
I0309 15:43:33.026078  8740 net.cpp:139] Memory required for data: 32214840
I0309 15:43:33.026078  8740 layer_factory.cpp:58] Creating layer norm1
I0309 15:43:33.026078  8740 net.cpp:86] Creating Layer norm1
I0309 15:43:33.026078  8740 net.cpp:408] norm1 <- pool1
I0309 15:43:33.026078  8740 net.cpp:382] norm1 -> norm1
I0309 15:43:33.026078  8740 net.cpp:124] Setting up norm1
I0309 15:43:33.026078  8740 net.cpp:131] Top shape: 10 96 27 27 (699840)
I0309 15:43:33.026078  8740 net.cpp:139] Memory required for data: 35014200
I0309 15:43:33.026078  8740 layer_factory.cpp:58] Creating layer conv2
I0309 15:43:33.026078  8740 net.cpp:86] Creating Layer conv2
I0309 15:43:33.027079  8740 net.cpp:408] conv2 <- norm1
I0309 15:43:33.027079  8740 net.cpp:382] conv2 -> conv2
I0309 15:43:33.027079  8740 net.cpp:124] Setting up conv2
I0309 15:43:33.027079  8740 net.cpp:131] Top shape: 10 256 27 27 (1866240)
I0309 15:43:33.027079  8740 net.cpp:139] Memory required for data: 42479160
I0309 15:43:33.027079  8740 layer_factory.cpp:58] Creating layer relu2
I0309 15:43:33.027079  8740 net.cpp:86] Creating Layer relu2
I0309 15:43:33.027079  8740 net.cpp:408] relu2 <- conv2
I0309 15:43:33.027079  8740 net.cpp:369] relu2 -> conv2 (in-place)
I0309 15:43:33.027079  8740 net.cpp:124] Setting up relu2
I0309 15:43:33.027079  8740 net.cpp:131] Top shape: 10 256 27 27 (1866240)
I0309 15:43:33.027079  8740 net.cpp:139] Memory required for data: 49944120
I0309 15:43:33.027079  8740 layer_factory.cpp:58] Creating layer pool2
I0309 15:43:33.027079  8740 net.cpp:86] Creating Layer pool2
I0309 15:43:33.027079  8740 net.cpp:408] pool2 <- conv2
I0309 15:43:33.027079  8740 net.cpp:382] pool2 -> pool2
I0309 15:43:33.027079  8740 net.cpp:124] Setting up pool2
I0309 15:43:33.028079  8740 net.cpp:131] Top shape: 10 256 13 13 (432640)
I0309 15:43:33.028079  8740 net.cpp:139] Memory required for data: 51674680
I0309 15:43:33.028079  8740 layer_factory.cpp:58] Creating layer norm2
I0309 15:43:33.028079  8740 net.cpp:86] Creating Layer norm2
I0309 15:43:33.028079  8740 net.cpp:408] norm2 <- pool2
I0309 15:43:33.028079  8740 net.cpp:382] norm2 -> norm2
I0309 15:43:33.028079  8740 net.cpp:124] Setting up norm2
I0309 15:43:33.028079  8740 net.cpp:131] Top shape: 10 256 13 13 (432640)
I0309 15:43:33.028079  8740 net.cpp:139] Memory required for data: 53405240
I0309 15:43:33.028079  8740 layer_factory.cpp:58] Creating layer conv3
I0309 15:43:33.028079  8740 net.cpp:86] Creating Layer conv3
I0309 15:43:33.028079  8740 net.cpp:408] conv3 <- norm2
I0309 15:43:33.028079  8740 net.cpp:382] conv3 -> conv3
I0309 15:43:33.030079  8740 net.cpp:124] Setting up conv3
I0309 15:43:33.030079  8740 net.cpp:131] Top shape: 10 384 13 13 (648960)
I0309 15:43:33.030079  8740 net.cpp:139] Memory required for data: 56001080
I0309 15:43:33.030079  8740 layer_factory.cpp:58] Creating layer relu3
I0309 15:43:33.030079  8740 net.cpp:86] Creating Layer relu3
I0309 15:43:33.030079  8740 net.cpp:408] relu3 <- conv3
I0309 15:43:33.030079  8740 net.cpp:369] relu3 -> conv3 (in-place)
I0309 15:43:33.030079  8740 net.cpp:124] Setting up relu3
I0309 15:43:33.030079  8740 net.cpp:131] Top shape: 10 384 13 13 (648960)
I0309 15:43:33.030079  8740 net.cpp:139] Memory required for data: 58596920
I0309 15:43:33.030079  8740 layer_factory.cpp:58] Creating layer conv4
I0309 15:43:33.030079  8740 net.cpp:86] Creating Layer conv4
I0309 15:43:33.030079  8740 net.cpp:408] conv4 <- conv3
I0309 15:43:33.030079  8740 net.cpp:382] conv4 -> conv4
I0309 15:43:33.031080  8740 net.cpp:124] Setting up conv4
I0309 15:43:33.031080  8740 net.cpp:131] Top shape: 10 384 13 13 (648960)
I0309 15:43:33.031080  8740 net.cpp:139] Memory required for data: 61192760
I0309 15:43:33.031080  8740 layer_factory.cpp:58] Creating layer relu4
I0309 15:43:33.031080  8740 net.cpp:86] Creating Layer relu4
I0309 15:43:33.031080  8740 net.cpp:408] relu4 <- conv4
I0309 15:43:33.031080  8740 net.cpp:369] relu4 -> conv4 (in-place)
I0309 15:43:33.031080  8740 net.cpp:124] Setting up relu4
I0309 15:43:33.031080  8740 net.cpp:131] Top shape: 10 384 13 13 (648960)
I0309 15:43:33.031080  8740 net.cpp:139] Memory required for data: 63788600
I0309 15:43:33.031080  8740 layer_factory.cpp:58] Creating layer conv5
I0309 15:43:33.031080  8740 net.cpp:86] Creating Layer conv5
I0309 15:43:33.031080  8740 net.cpp:408] conv5 <- conv4
I0309 15:43:33.031080  8740 net.cpp:382] conv5 -> conv5
I0309 15:43:33.032079  8740 net.cpp:124] Setting up conv5
I0309 15:43:33.032079  8740 net.cpp:131] Top shape: 10 256 13 13 (432640)
I0309 15:43:33.032079  8740 net.cpp:139] Memory required for data: 65519160
I0309 15:43:33.032079  8740 layer_factory.cpp:58] Creating layer relu5
I0309 15:43:33.032079  8740 net.cpp:86] Creating Layer relu5
I0309 15:43:33.032079  8740 net.cpp:408] relu5 <- conv5
I0309 15:43:33.032079  8740 net.cpp:369] relu5 -> conv5 (in-place)
I0309 15:43:33.032079  8740 net.cpp:124] Setting up relu5
I0309 15:43:33.032079  8740 net.cpp:131] Top shape: 10 256 13 13 (432640)
I0309 15 
 

            
  
           

              
              
            
            
相關推薦
			   
            
            
            
 

    

    
    
VS2015+caffe+matlab+python+CPU
     
 
							
							
							實驗平臺：

Win7 64bit, VS 2015(Professional), matlab 2016b(64bit), python2.7.12, Eclipse IDE for Java Developers（Version: Neon.1a Relea 

  
 

    

    
    
【caffe學習筆記之7】caffe-matlab/python訓練LeNet模型並應用於mnist資料集（2）
     
 
                

【案例介紹】

LeNet網路模型是一個用來識別手寫數字的最經典的卷積神經網路，是Yann LeCun在1998年設計並提出的，是早期卷積神經網路中最有代表性的實驗系統之一，其論文是CNN領域第一篇經典之作。本篇部落格詳細介紹基於Matlab、Python訓練lenet手 

  
 

    

    
    
windows配置caffe及matlab/python介面編譯和呼叫（cpu/gpu）
     
 
環境：windows 7+matlab2016a+vs2013
caffe下載地址：https://github.com/BVLC/caffe/tree/windows
1 進入caffe-windows的windows資料夾，Copy .\windows\CommonSettings.props.e 

  
 

    

    
    
痛苦的Caffe配置之路（win10 教育版+vs2015+cmaker+cpu_only+python介面）
     
 
                


一、前言

電腦顯示卡GT755M，不支援CUDA,又不會linux……


二、準備工作

1、準備原始碼

首先在github上下載caffe-windows。 注意：caffe2不可以caffe-windows下載地址：https://github.com/Mic 

  
 

    

    
    
caffe+windows+miniconda+python+CPU
     
 
                本文是我安裝windows10下caffe的過程，來來回回，反反覆覆，對caffe的心情真的是一碗漿糊。本身是個小白學生，還有很多東西也不瞭解。因此，本篇文章只做參考。以下是詳細介紹。一、caffe版本      我瞭解的主流的windows下的caffe包有：      我 

  
 

    

    
    
在ubuntu上配置cuda+cudnn+caffe(包括python和matlab介面)+digits
     
 
							
							
							這篇算是自己對caffe學習的一個總結系列的開頭。首先因為caffe的依賴項比較多，配置起來也比較麻煩。這篇算是比較詳盡地把caffe的各種相關配置說清楚。轉載請註明出處。 
推薦ubuntu14.04版本，因為digits的支援比較好。顯示卡支不支援GPU加速 

  
 

    

    
    
win10+vs2015+caffe(cpu)版本
     
 
                

2.CMAKE。需要3.4版本以上，我用的是3.9.6



3.Anaconda。目前官方的版本是Anaconda 3.6和2.7，就是說內建了 Python2.7 or 3.6。 喜歡高版本的朋友注意了，3.6caffei不支援。所以你要麼在歷史檔案中下Anacond 

  
 

    

    
    
ubuntu16.04 安裝配置matlab+python +cuda8.0+cudnn+opencv3.1的caffe環境
     
 　　網路上有很多ubuntu上caffe配置環境的帖子，本人照著其中的許多進行了參考，都出現了或多或少的錯誤，很多地方也有差異。
於是自己整理了下自己的安裝過程，成功進行了測試，跑通了faster-rcnn。配置環境時間為2017.1.4 系統ubuntu16.04
一：顯示卡驅動的安裝：

　　選擇電腦匹配 

  
 

    

    
    
Caffe+windows7+Visual Studio 2015+Python+CPU配置記錄
     
 
							
							
							



前言

以前配置過caffe，當時是Visual Studio 2013，因為當時的教程只有2013的。重灌電腦之後，一直沒有靜下來去配置caffe，失敗過好幾次。這次算是找對教程和資源了，終於配置成功。本文不記錄具體步驟，只給出我參考的連結，需要的人還 

  
 

    

    
    
配置caffe matlab 中遇到的坑
     
 -c   read   重新   ref   make   tool   下載   clean   tools   caffe下cnn調試中碰到Check failed: ReadProtoFromBinaryFile(param_file, param) Failed to parse NetParamet 

  
 

    

    
    
caffe的python接口學習（2）生成solver文件
     
 慢慢   oot   __name__   nap   gpu   計算   snapshot   pro   copy    caffe在訓練的時候，需要一些參數設置，我們一般將這些參數設置在一個叫solver.prototxt的文件裏面
有一些參數需要計算的，也不是亂設置。
假設我們有50000個訓練樣本 

  
 

    

    
    
caffe的python接口學習（4）mnist實例手寫數字識別
     
 數字   interval   with   lac   EDA   變化   mode   指數   lB   以下主要是摘抄denny博文的內容，更多內容大家去看原作者吧　　
一 數據準備
　　準備訓練集和測試集圖片的列表清單;
　　二 導入caffe庫，設定文件路徑
　　
# -*- coding: u 

  
 

    

    
    
Ubuntu 16.04 + caffe環境搭建(CPU)
     
 rip   recommend   pyc   sna   取數據   目錄   clas   create   部分   1.安裝依賴
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf 

  
 

    

    
    
(Matlab/Python)-HFSS聯合模擬交流微信群
     
  
  
  
 @HFSS往往不能建立複雜的微波器件，比如天線，以及超材料，超表面的模型，也不能很好對模擬結果進行處理。當採用(Matlab/Python)-HFSS聯合模擬則可以很好的解決上述問題。並且幸運的是，Ansoft HFSS軟體建立之初，為人們預留的VB腳步程式，我們為此成立了(Matlab/P 

  
 

    

    
    
【5】caffe的python介面學習：訓練模型（training)
     
  
 
 如果不進行視覺化，只想得到一個最終的訓練model, 那麼程式碼非常簡單，如下 : 
 import caffe
caffe.set_device(0)
caffe.set_mode_gpu()
solver = caffe.SGDSolver('/home/yeler082/data/solver 

  
 

    

    
    
【4】caffe的python介面學習：生成solver檔案
     
  
 
  caffe在訓練的時候，需要一些引數設定，我們一般將這些引數設定在一個叫solver.prototxt的檔案裡面，如下： 
 base_lr: 0.001
display: 782
gamma: 0.1
lr_policy: "step"
max_iter: 78200
momentum 

  
 

    

    
    
【3】caffe的python介面學習：生成配置檔案
     
  
 
 caffe是C++語言寫的，可能很多人不太熟悉，因此想用更簡單的指令碼語言來實現。caffe提供matlab介面和python介面，這兩種語言就非常簡單，而且非常容易進行視覺化，使得學習更加快速，理解更加深入。 
 如何配置CAFFE的python介面？ 
 如何將圖片轉換成LMDB檔案？ 
 如何 

  
 

    

    
    
剪下波變換實現程式碼（MATLAB+python）
     
  
 
        【時間】2018.10.18       
        【題目】剪下波變換實現程式碼（MATLAB+python） 
 概述 
 GitHub中剪下波變換的python實現 

  
 

    

    
    
執行caffe版(python)faster RCNN
     
  
 
 第一步：安裝python包依賴 
   
 sudo pip install Cython
sudo pip install easydict 
  第二步：下載原始碼 
   
   
 git clone --recursive https://github.com 

  
 

    

    
    
ubuntu16 caffe matlab
     
  
  
  
 參考 
 一 .安裝cuda8.0及對應cudnn 
 cuda下載 cudnn下載 
 問題 
 1.編譯cuda 例子失敗 
 解決：在cuda8.0/Samples/3_Imaging/cudaDecodeGL/findgllib.mk 中把61行 UBUNTU_PKG_NAME =