Windows下怎样采用微软的Caffe配置Faster R

第一步，准备工作

1首先从网址下载Caffe-Windows安装

2安装Visual Studio 2013；

3如果与需要使用NVIDIA显卡的请安装Cuda和CuDNN，不需要可以不装；

4将\windows\CommonSettingspropsexample 复制一份并修改为 \windows\CommonSettingsprops，然后打开做如下修改：

1）如果不使用GPU，不安装CUDA和CuDNN，将CpuOnlyBuild 改为 true ，并且 UseCuDNN 改为 false；

2）安装CuDNN的情况下，将CuDNND路径复制到CuDnnPath；

3）选择支持Python或者MATLAB接口，当然也可以两个都支持，设置PythonSupport或者MatlabSupport为true，同时将Python或者MATLAB路径分别粘过来PythonDir和MatlabDir。

第二步，编译

打开\windows\Caffesln，编译Caffe/convert_imageset、caffe、libcaffe、convert_mnist_data等，可以根据提示和需要进行，生成的caffeexe为训练与测试的主程序，convert_imageset为将训练和测试数据生成LMDB使用的程序。

思路

我们都知道在Visual Studio中使用OpenCV是非常方便的，只要配置好相关的路径，建立一个属性表就可以了。接触过Caffe的可能会知道，在Caffe的例程中并没有怎么说如何建立一个属性表，就能够使用Caffe提供的一些函数去构造程序。话说一个月前刚刚在Github上帮一个老外解决了这个问题，所以这里也写一下我的方法。

要用Caffe，就是 include 、lib 、dll，和OpenCV一样，搞好这三个即可，推荐大家配置Release版本的，所以在编译Caffe的时候，换成Release模式也编译一次。

实现

观察caffe-master的第三方程序包，毫无疑问，这个与caffe-master本文件夹都需要加上去的。

所以在属性表里，先后需要include以下这些：（路径请自行修改）

D:\caffe-master\include

D:\NugetPackages\boost15900\lib\native\include

D:\NugetPackages\glog0330\build\native\include

D:\NugetPackages\gflags2121\build\native\include

D:\NugetPackages\protobuf-v120261\build\native\include

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v75\include

D:\NugetPackages\OpenBLAS02141\lib\native\include

D:\caffe-master\include\caffe\layers

D:\NugetPackages\OpenCV2410\build\native\include

D:\NugetPackages\OpenCV2410\build\native\include\opencv

D:\NugetPackages\OpenCV2410\build\native\include\opencv21234567891011

我们可以看到，这个第三方程序包里面已经有OpenCV了，所以我们没必要把OpenCV的属性表添加。

然后，我们需要添加lib：（路径请自行修改）

D:\NugetPackages\boost_date_time-vc12015900\lib\native\address-model-64\lib

D:\NugetPackages\boost_filesystem-vc12015900\lib\native\address-model-64\lib

D:\NugetPackages\boost_system-vc12015900\lib\native\address-model-64\lib

D:\caffe-master\Build\x64\Release

D:\NugetPackages\boost_thread-vc12015900\lib\native\address-model-64\lib

D:\NugetPackages\boost_chrono-vc12015900\lib\native\address-model-64\lib

D:\NugetPackages\protobuf-v120261\build\native\lib\x64\v120\Release

D:\NugetPackages\OpenCV2410\build\native\lib\x64\v120\Release

D:\NugetPackages\glog0330\build\native\lib\x64\v120\Debug\dynamic

D:\NugetPackages\gflags2121\build\native\x64\v120\dynamic\Lib

D:\NugetPackages\hdf5-v120-complete18152\lib\native\lib\x64

D:\NugetPackages\OpenBLAS02141\lib\native\lib\x64

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v75\lib\x6412345678910111213

最后一项是CUDA的配置路径，找一下应该就可以找到。

那么我们的附加依赖项需要添加：

libcaffelib

libprotobuflib

opencv_highgui2410lib

opencv_core2410lib

opencv_imgproc2410lib

libgloglib

gflagslib

libopenblasdlla

hdf5lib

hdf5_hllib

cublaslib

cublas_devicelib

cudalib

cudadevrtlib

cudnnlib

cudartlib

cufftlib

cudart_staticlib

cudnn_staticlib

cufftwlib

cusparselib

cusolverlib

curandlib

nppclib

OpenCLlib12345678910111213141516171819202122232425

对了，最后别忘了配置环境变量哟，配置完之后重启一遍：

D:\NugetPackages\gflags2121\build\native\x64\v120\dynamic\Lib

D:\NugetPackages\hdf5-v120-complete18152\lib\native\bin\x64

D:\NugetPackages\glog0330\build\native\bin\x64\v120\Release\dynamic

D:\NugetPackages\OpenBLAS02141\lib\native\bin\x64

D:\NugetPackages\gflags2121\build\native\x64\v120\dynamic\Lib

D:\NugetPackages\OpenCV2410\build\native\bin\x64\v120\Release123456

这里还是建议大家建立一个属性表，方便后面的程序添加，就像这样：

那么在做完这些之后，我们就可以在新建工程里使用Caffe的接口了

有两种方式

使用c++的方式

在caffe根目录下的 examples/cpp-classification/ 文件夹下面，有个classificationcpp文件，就是用来分类的。当然编译后，放在/build/examples/cpp_classification/ 下面

我们就直接运行命令：

# sudo /build/examples/cpp_classification/classificationbin \ models/bvlc_reference_caffenet/deployprototxt \ models/bvlc_reference_caffenet/bvlc_reference_caffenetcaffemodel \ data/ilsvrc12/imagenet_meanbinaryproto \ data/ilsvrc12/synset_wordstxt \ examples/images/catjpg

命令很长，用了很多的\符号来换行。可以看出，从第二行开始就是参数，每行一个，共需要4个参数

运行成功后，输出top-5结果：

---------- Prediction for examples/images/catjpg ----------03134 - "n02123045 tabby, tabby cat"02380 - "n02123159 tiger cat"01235 - "n02124075 Egyptian cat"01003 - "n02119022 red fox, Vulpes vulpes"00715 - "n02127052 lynx, catamount"

即有03134的概率为tabby cat, 有02380的概率为tiger cat

使用python的方式

运行这个文件必需两个参数，一个输入文件，一个输出结果文件。而且运行必须在python目录下。假设当前目录是caffe根目录，则运行：

# cd python# sudo python classifypy /examples/images/catjpg resultnpy

1安装基础的深度学习框架，如Caffe、TensorFlow、PyTorch等；

2使用Python 36+ 编写深度学习代码，完成模型的训练或者使用已经训练好的模型；

3使用机器学习的环境变量，如Conda或者Virtualenv，为深度学习运行环境配置环境变量；

4在windows上部署定时任务，定期执行深度学习代码，以实现自动深度学习程序的功能；

5安装深度学习后台管理软件，如Tensorboard等，方便查看深

以上就是关于Windows下怎样采用微软的Caffe配置Faster R全部的内容，包括:Windows下怎样采用微软的Caffe配置Faster R、如何在visual studio中像使用opencv一样使用caffe、如何使用caffe进行简单的分类，有哪些方式等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！