如何在程序中调用Caffe做图像分类

Caffe是目前深度学习比较优秀好用的一个开源库，采样c++和CUDA实现，具有速度快，模型定义方便等优点。学习了几天过后，发现也有一个不方便的地方，就是在我的程序中调用Caffe做图像分类没有直接的接口。Caffe的数据层可以从数据库（支持leveldb、lmdb、hdf5）、图片、和内存中读入。我们要在程序中使用，当然得从内存中读入，我们首先在模型定义文件中定义数据层：

layers {

name: "mydata"

type: MEMORY_DATA

top: "data"

top: "label"

transform_param {

scale: 0.00390625

}

memory_data_param {

batch_size: 10

channels: 1

height: 24

width: 24

}

}

这里必须设置memory_data_param中的四个参数，对应这些参数可以参见源码中caffe.proto文件。现在，我们可以设计一个Classifier类来封装一下：

#ifndef CAFFE_CLASSIFIER_H

#define CAFFE_CLASSIFIER_H

#include <string>

#include <vector>

#include "caffe/net.hpp"

#include "caffe/data_layers.hpp"

#include <opencv2/core.hpp>

using cv::Mat

namespace caffe {

template <typename Dtype>

class Classifier {

public:

explicit Classifier(const string&param_file, const string&weights_file)

Dtype test(vector<Mat>&images, vector<int>&labels, int iter_num)

virtual ~Classifier() {}

inline shared_ptr<Net<Dtype>>net() { return net_}

void predict(vector<Mat>&images, vector<int>*labels)

void predict(vector<Dtype>&data, vector<int>*labels, int num)

void extract_feature(vector<Mat>&images, vector<vector<Dtype>>*out)

protected:

shared_ptr<Net<Dtype>>net_

MemoryDataLayer<Dtype>*m_layer_

int batch_size_

int channels_

int height_

int width_

DISABLE_COPY_AND_ASSIGN(Classifier)

}

}//namespace

#endif //CAFFE_CLASSIFIER_H

构造函数中我们通过模型定义文件（.prototxt）和训练好的模型（.caffemodel）文件构造一个Net对象，并用m_layer_指向Net中的memory data层，以便待会调用MemoryDataLayer中AddMatVector和Reset函数加入数据。

#include <cstdio>

#include <algorithm>

#include <string>

#include <vector>

#include "caffe/net.hpp"

#include "caffe/proto/caffe.pb.h"

#include "caffe/util/io.hpp"

#include "caffe/util/math_functions.hpp"

#include "caffe/util/upgrade_proto.hpp"

#include "caffe_classifier.h"

namespace caffe {

template <typename Dtype>

Classifier<Dtype>::Classifier(const string&param_file, const string&weights_file) : net_()

{

net_.reset(new Net<Dtype>(param_file, TEST))

net_->CopyTrainedLayersFrom(weights_file)

//m_layer_ = (MemoryDataLayer<Dtype>*)net_->layer_by_name("mnist").get()

m_layer_ = (MemoryDataLayer<Dtype>*)net_->layers()[0].get()

batch_size_ = m_layer_->batch_size()

channels_ = m_layer_->channels()

height_ = m_layer_->height()

width_ = m_layer_->width()

}

template <typename Dtype>

Dtype Classifier<Dtype>::test(vector<Mat>&images, vector<int>&labels, int iter_num)

{

m_layer_->AddMatVector(images, labels)

//

int iterations = iter_num

vector<Blob<Dtype>* >bottom_vec

vector<int>test_score_output_id

vector<Dtype>test_score

Dtype loss = 0

for (int i = 0i <iterations++i) {

Dtype iter_loss

const vector<Blob<Dtype>*>&result =

net_->Forward(bottom_vec, &iter_loss)

loss += iter_loss

int idx = 0

for (int j = 0j <result.size()++j) {

const Dtype* result_vec = result[j]->cpu_data()

for (int k = 0k <result[j]->count()++k, ++idx) {

const Dtype score = result_vec[k]

if (i == 0) {

test_score.push_back(score)

test_score_output_id.push_back(j)

} else {

test_score[idx] += score

}

const std::string&output_name = net_->blob_names()[

net_->output_blob_indices()[j]]

LOG(INFO) <<"Batch " <<i <<", " <<output_name <<" = " <<score

}

}

}

loss /= iterations

LOG(INFO) <<"Loss: " <<loss

return loss

}

template <typename Dtype>

void Classifier<Dtype>::predict(vector<Mat>&images, vector<int>*labels)

{

int original_length = images.size()

if(original_length == 0)

return

int valid_length = original_length / batch_size_ * batch_size_

if(original_length != valid_length)

{

valid_length += batch_size_

for(int i = original_lengthi <valid_lengthi++)

{

images.push_back(images[0].clone())

}

}

vector<int>valid_labels, predicted_labels

valid_labels.resize(valid_length, 0)

m_layer_->AddMatVector(images, valid_labels)

vector<Blob<Dtype>* >bottom_vec

for(int i = 0i <valid_length / batch_size_i++)

{

const vector<Blob<Dtype>*>&result = net_->Forward(bottom_vec)

const Dtype * result_vec = result[1]->cpu_data()

for(int j = 0j <result[1]->count()j++)

{

predicted_labels.push_back(result_vec[j])

}

}

if(original_length != valid_length)

{

images.erase(images.begin()+original_length, images.end())

}

labels->resize(original_length, 0)

std::copy(predicted_labels.begin(), predicted_labels.begin() + original_length, labels->begin())

}

template <typename Dtype>

void Classifier<Dtype>::predict(vector<Dtype>&data, vector<int>*labels, int num)

{

int size = channels_*height_*width_

CHECK_EQ(data.size(), num*size)

int original_length = num

if(original_length == 0)

return

int valid_length = original_length / batch_size_ * batch_size_

if(original_length != valid_length)

{

valid_length += batch_size_

for(int i = original_lengthi <valid_lengthi++)

{

for(int j = 0j <sizej++)

data.push_back(0)

}

}

Windows 8.1下Caffe环境搭建

一、环境准备

1.Windows 8.1系统

2.Visual Studio 2013 Ultimate

Visual studio 2013 Ultimate下载地址：

二、Visual Studio 2013 Ultimate安装教程（安装+注册）

等待下载完成之后，虽然下载文件是ios格式，但我们可以用解压缩工具解压打开。解压好后，双击vs_ultimate.exe，开始安装。新旧版本VS是可以共存的，但是在安装过程中，旧版本的VS一定要先关闭。

自定义选择安装路径时，注意所属路径的预留空间要充足，否则安装会失败，同意许可条款，进行下一步。

在选择安装的可选功能这里，大家可以根据自己需要勾选，也可以默认全选。把鼠标放在文字上，会d出各个功能详细描述。选择常用的功能，另外要注意预留空间，开始安装。

等待大概30分钟，就可以完成安装。安装过程中，VS会占用很多的系统资源，所以最好不要开启其他软件，等待安装。

第一次打开VS2013，需要进行一些基本配置，如开发设置、颜色主题，根据自己的需求设置，然后等待几分钟就可以使用。由于VS2013引入了一种联网 IDE 体验，大家可以使用微软的账户登录，而且其还自动采用联网 IDE 体验的设备上同步设置，包括快捷键、Visual Studio 外观（主题、字体等）各种类别同步的设置。

最后要给VS注册一下，不然软件是有30天的试用期。打开VS2013，在工具栏中找到帮助选项卡，点击注册产品，会d出一个对话框，里面会显示软件的注册状态。

点击更改我的产品许可证，会d出一个对话框，要求输入产品密钥。此时，需要一个产品密钥，提供一个可用的密钥：VS2013_RTM_ULT_CHS KEY： BWG7X-J98B3-W34RT-33B3R-JVYW

若密钥失效，大家要自己到网上去搜索了。注册成功后，所有的 *** 作算是基本完成，可以正常使用。

三、下载Microsoft/Caffe源码

四、编译Caffe源码

1. 解压源码（我安装于D盘，根据个人习惯安装于哪个盘，不提倡安装于C盘）

2.进入目录 D:\caffe-master\windows

将文件“CommonSettings.props.exemple”复制一下，粘贴，并重命名为“CommonSetting.props”

在进行此 *** 作的时候，有人也许会遇到这样的问题，文件的后缀名怎么修改呢？

提示：如何修改文件的后缀名（W8.1系统）

1） 在win8.1中，双击界面中的“这台电脑”，打开资源管理器。点击导航栏中的“查看”选项，勾选“文件扩展名”复选框按钮。

2） 此时文件的后面就会出现文件后缀名或文件扩展名了。

3） 右键单击需要修改扩展名的文件，然后在列表中选择“重命名”选项。

4） 然后输入新的扩展名，鼠标点击桌面空白处。在d出的窗口中点击“是”按钮即可。

3. 打开文件“CommonSetting.props”，加粗字体为修改后的内容，修改位置应该在用写字板方式打开之后，文件的第9-10行，修改内容如下：

<CpuOnlyBuild>true</CpuOnlyBuild>

<UseCuDNN>false</UseCuDNN>

4. 双击D:\caffe-master\windows\目录下"caffe.sln”,自动打开安装好的VS2013。

5. 单击 VS2013”生成"菜单，单击"重新生成解决方案"。

开始了漫长时间的编译过程，请耐心等待，微软会自动帮我们生成全部的依赖包。依赖包全部在文件夹D:\NugetPackages中。

五、编译中可能出现的问题

error C2220: 警告被视为错误- 没有生成"libcaffe.lib"

编译过程中出现警告，编译器将警告视为错误。

解决方法：

1单击"项目"--"libcafee属性","将警告是为错误"改为否。

2修改后，单击“生成”--“清除解决方案”，然后单击“生成”--“生成解决方案”。

---