如何在Windows环境下配置Caffe

1.配置环境我在自己的笔记本配置的caffe，配置的环境为：Windows 7 64位 + cuda6.5 + Opencv2.49 +VS2013。假设在配置caffe之前，你已经准备好这些。

本文中将给出一些编译好的依赖库，如果你也是用的Windows 7 64位+VS2013，可以直接使用。

2.准备依赖库

在Windows下配置caffe，一个很主要的问题就是依赖库的编译。不像在Ubuntu下那么方便，在Windows下，依赖库都需要使用vs2013进行编译才能使用。下面我将介绍caffe需要的依赖库（如果你也是win7 64位+VS2013，可以直接使用我提供的依赖库）。

2.1 boost

boost可以下载源码进行编译，也可以直接下载安装文件。我使用的是后者，方便、快捷。

我使用的是：boost_1.56_0-msvc-12.0-64.exe

注意下载适合你的配置环境的boost版本即可。

下载完毕，双击运行安装文件即可。

2.2 Glog+Gflag+Protobuf+LevelDB+HDF5+LMDB+Openblas

这一部分的很多都是谷歌的开源库，不容易下载（你懂的）。所以我使用的是Neil Z. SHAO‘s Blog

提供的编译好的。

下载完，解压得到3rdparty文件夹。在下一段将会用到。

3.建立caffe工程

准备好了caffe需要的依赖库和环境之后，下面就可以建立caffe的vs项目，进行编译了。

3.1 下载caffe源码

可以从caffe的github主页下载源码。

下载地址：Caffe’s GitHub

解压文件，假设caffe源码所在目录为CAFFE_ROOT。

3.2 准备项目需要的依赖库和系统环境变量

经过上一阶段的准备，caffe项目所需的依赖库都已经准备好。

1.首先设置系统环境变量(以我的为例):

CUDA_PATH_V6_5 安装好cuda6.5之后，会自动添加环境变量CUDA_PATH_V6_5

OPENCV_2_49 D:/Tools/opencv2.49/build/

BOOST_1_56 D:/Tools/boost_1_56_0

2.将3rdparty文件夹放到CAFFE_ROOT

3.3 用vs建立caffe项目

1.用VS2013在CAFFE_ROOT下建立 win32 console application，选择空项目。

将项目的平台由32位改为64位

1、会更新，finetune的过程相当于继续训练，跟直接训练的区别是初始化的时候：

a. 直接训练是按照网络定义指定的方式初始化（如高斯随机初始化）

b. finetune是用你已经有的参数文件来初始化（就是之前训练好的caffemodel）

2、嗯，这个问题有两种情况：比如有4个全连接层A->B->C->D

a. 你希望C层的参数不会改变，C前面的AB层的参数也不会改变，这种情况也就是D层的梯度不往前反向传播到D层的输入blob（也就是C层的输出blob 没有得到梯度），你可以通过设置D层的propagate_down为false来做到。

propagate_down的数量与输入blob的数量相同，假如你某个层有2个输入blob，那么你应该在该layer的Param里面写上两行：

propagate_down : 0# 第1个输入blob不会得到反向传播的梯度

propagate_down : 0# 第2个输入blob不会得到反向传播的梯度

这样的话，你这个layer的梯度就不会反向传播啦，前面的所有layer的参数也就不会改变了

b. 你希望C层的参数不会改变，但是C前面的AB层的参数会改变，这种情况，只是固定了C层的参数，C层得到的梯度依然会反向传播给前面的B层。只需要将对应的参数blob的学习率调整为0：

你在layer里面加上param { lr_mult: 0 }就可以了，比如全连接层里面：

layer {

type: "InnerProduct"

param { # 对应第1个参数blob的配置，也就是全连接层的参数矩阵的配置

lr_mult: 0 # 学习率为0，其他参数可以看caffe.proto里面的ParamSpec这个类型

}

param { # 对应第2个参数blob的配置，也就是全连接层的偏置项的配置

lr_mult: 0 # 学习率为0

}

}

不知道这样说你能不能理解

如何在Caffe中配置每一个层的结构

最近刚在电脑上装好Caffe，由于神经网络中有不同的层结构，不同类型的层又有不同的参数，所有就根据Caffe官网的说明文档做了一个简单的总结。

1. Vision Layers

1.1 卷积层(Convolution)

类型：CONVOLUTION

例子

layers {

name: "conv1"

type: CONVOLUTION

bottom: "data"

top: "conv1"

blobs_lr: 1 # learning rate multiplier for the filters

blobs_lr: 2 # learning rate multiplier for the biases

weight_decay: 1 # weight decay multiplier for the filters

weight_decay: 0 # weight decay multiplier for the biases

convolution_param {

num_output: 96 # learn 96 filters

kernel_size: 11# each filter is 11x11

stride: 4 # step 4 pixels between each filter application

weight_filler {

type: "gaussian" # initialize the filters from a Gaussian

std: 0.01# distribution with stdev 0.01 (default mean: 0)

}

bias_filler {

type: "constant" # initialize the biases to zero (0)

value: 0

}

}

}

blobs_lr: 学习率调整的参数，在上面的例子中设置权重学习率和运行中求解器给出的学习率一样，同时是偏置学习率为权重的两倍。

---