win10-caffe-gpu编译注意

win10-py27-cuda8.0-cudnnv6-caffe-gpu-vs2013

 

1.caffe的下载：

需要编译，需要编译 Caffe下载链接(caffe-master): https://github.com/Microsoft/caffe

该链接的caffe适合python2.7

微软的Windows三方包(Nuget程序包)

 

2.搭建环境

(1)首先解压caffe-master.zip压缩包，打开caffe-master文件夹。在windows文件夹下复制CommonSettings.props.example文件， 重命名为CommonSettings.props文件。

2)在windows文件夹下找到Caffe.sln

 

（3）配置完CommonSettings.props后，需要将CUDA8.0.props复制一份到vs的系统路径中去

（相当于在vs中添加cuda的path，lib）cuda8.0.props

在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\extras\visual_studio_integration\MSBuildExtensions

复制到C:\Program Files (x86)\MSBuild\Microsoft.Cpp\v4.0\V120\BuildCustomizations

（4.）用vs2013打开caffe\windows\Caffe.sln 

右击项目属性

选择配置属性，设置如下

右键libcaffe属性在弹出的对话框中修改  Treat Warnings As Errors为NO

（5）减少翻墙下载问题，copy NuGet 程序包

直接打开 工具 ->选项 -> 包管理器 -> 常规 -> 浏览，

手动把 NuGet 程序包复制进去，下载地址，密码 qfui

 

3.编译：先编译libcaffe，再编译caffe，最后再编译pycaffe

（1）编译libcaffe

编译就是生成，然后等待一段时间，较长，通常是会报错的

报错 错误 193 error : too few arguments in function call D:\huifenqi\caffe\caffe-master\include\caffe\util\cudnn.hpp 114 1 libcaffe

出现原因，

是因为cudnn 的v6比v5版本多了一个参数，要需要选择的

解决方法：

cudnnSetConvolution2dDescriptor 转到定义

 

 

最终修改版：

然后在重新生成，编译成功啦~~

 

（2）编译caffe

右击‘caffe’选择生成

报错

原因，缺少 python.lib

解决方法：

到C:\ProgramData\Anaconda2下查找 python27.lib ,复制到libcaffe.lib所在的目录下

即把C:\ProgramData\Anaconda2\libs\python27.lib复制到D:\huifenqi\caffe\caffe-master\Build\x64\Debug下

然后再重新生成，生成成功

 

（3）编译pycaffe

可能需要安装boost_1_60_0-msvc-14.0-64.exe ，安装到默认目录即可；

然后进行如下配置即可

 

然后再重新生成即可搞定

 

4.使用pycaffe

（1）复制生成的caffe包

把D:\huifenqi\caffe\caffe-master\Build\x64\Debug\pycaffe该目录下的caffe文件夹复制到C:\ProgramData\Anaconda2\Lib\site-packages下即可

（2）导入caffe

python

import caffe

（3）问题：

python导入caffe时出现python caffe报错：No module named google.protobuf.internal

解决方法：conda install protobuf

 

 

5.编译convert_imageset

这个项目主要是做图片转换的，需要将图片转换成caffe支持的格式，LMDB或者LEVELDB格式，据说这样可以保持较高的IO效率

编译就是生成，然后等待一段时间，较长，通常是会报错的，报错和libcaffe一样，参照libcaffe的修改即可，然后再重新生成，编译成功会生成convert_imageset.exe

 

 

 

6.编译compute_image_mean

compute_image_mean是用来图片减去均值后，再进行训练和测试，会提高速度和精度。因此，一般在各种模型中都会有这个操作。

对于自然图像，更多的是做图像零均值化，并不需要估计样本的方差。这是因为在自然图像上进行训练时，对每一个像素单独估计均值和方差意义不大，因为（理论上）图像任一部分的统计性质都应该和其它部分相同，图像的这种特性被称作平稳性（stationarity）。

对于自然图片，即使不进行方差归一化操作，不同特征的方差值彼此相似，故而我们不再进行任何方差归一化操作。既然我们不做方差归一化，唯一还需进行的规整化操作就是均值规整化，其目的是保证所有特征的均值都在0附近。根据应用，在大多数情况下，我们并不关注所输入图像的整体明亮程度。比如在对象识别任务中，图像的整体明亮程度并不会影响图像中存在的是什么物体。更为正式地说，我们对图像块的平均亮度值不感兴趣，所以可以减去这个值来进行均值规整化[1]。 

　　如果你处理的图像并非自然图像（比如，手写文字，或者白背景正中摆放单独物体），其他规整化操作就值得考虑了，而哪种做法最合适也取决于具体应用场合。但对自然图像而言，对每幅图像进行上述的零均值规整化，是默认而合理的处理。

 

编译就是生成，然后等待一段时间，编译成功会生成compute_image_mean.exe