Caffe + Win10 + GPU + VS2013 菜鸟超详细编译安装过程

转自：

https://blog.csdn.net/nk_wavelet/article/details/78935511

https://blog.csdn.net/PokiFighting/article/details/70199564?locationNum=13&fps=1

引言

现在深度学习非常火爆，以前也零星学习过一些机器学习方面的知识，但是一直没有用深度学习真正去做过什么项目，最近想用深度学习去做一些图像检测和识别方面的项目，逼迫自己去动手学习一些流行的深度学习开源框架，据说Caffe是最容易上手的，因此首先得把Caffe安装起来，本文就是纪录自己在windows环境下搭建Caffe的全过程，参考了网上一些博客，碰到过一些别人没有碰到过的坑，也避开了别人曾经碰到的坑，下面就是整个搭建过程。

1. 编译环境

操作系统：Windows10

IDE: VS2013

GPU: NVIDIA GTX 1050Ti

 

2. 安装CUDA

Cuda是NVIDIA推出的GPU加速运算平台。 首先确认自己的显卡是Nvidia的且支持。进入官网: [https://developer.nvidia.com/cuda-downloads](https://developer.nvidia.com/cuda-downloads)

 

到页面下方看到下图所示的下载选项，根据你的系统的环境下载相应的安装包。 

 

下载Cuda_7.5版本： 

 

下载完之后如图： 

 

重新安装，前面的几个步骤同前，接下来出现下图： 

 

一路点击“继续”，出现如下一系列图： 

 

#3. 下载CuDNN 
CuDNN其实是个压缩包，下载地址：https://developer.nvidia.com/cudnn 

 

用邮箱就可以免费注册，注册完成之后去邮件里验证即可。如下图： 

 

然后重新回到下载页面，此时会跳出如下的选择项： 

 

点击之后弹出如下的选项框： 

 

下载完之后如下图： 

 

下载完成后，进行解压，如下图： 

 

三个目录里的文件分别如下： 

 
 

 

将相应的bin、include、lib分别放于自己的cuda下面的相应目录中。例如，本人电脑的cuda目录为C:\ProgramFiles\NVIDIA GPU Computing Toolkit\CUDA\v7.5，因此将刚才解压的文件放在这个目录下面的bin、include、lib文件夹下。例如将cudnn64_5.dll复制到bin目录之后： 

 

4. 下载Caffe的源码

微软官方也移植了Caffe,在windows下面的配置会比较简单一点:https://github.com/Microsoft/caffe

 

 

下载完之后如图： 

 

解压缩，然后打开caffe-master文件夹,然后看到一个windows文件夹，如下图： 

 

然后继续打开windows文件夹，看到里面一个CommonSettings.props.example文件,复制出来一份,并改名字为CommonSettings.props： 

 

用VS2013打开Caffe.sln(就到刚刚那个文件夹里面)，打开效果如下: 

 

修改CommonSettings.props：

cuda，GPU，python，matlab路径以及是否支持（true或false）

若直接安装python需要自己添加安装很多库：numpy等，建议安装Anaconda（2,3都可），则python的路径改为Anaconda的安装路径即可。

但是Anaconda2中没有caffe的库，因此需要做一些准备工作：

将caffe-master\Build\x64\Release\pycaffe文件夹下的caffe文件夹复制到python的site-packge目录中，如图示。（我Anaconda2装在了D盘）

双击打开caffe-master\Windows下的caffe.sln：

右击pycaffe，配置一下相关文件

 

5. 安装

右键点击libcaffe，选择编译。这个编译过程需要的时间非常久（大约30-50分钟），主要是因为Nuget会下载一些东西，例如：boost、opencv2.4.10、gflags、glog、hdf5、lmdb、LevelDB、OpenBLAS、protobuf等。如下图：

 

 
 
 
 
 
 
 

 

下载完成后会在caffe 的同级目录生成NugetPackages的文件夹，如图： 

 

注意：之所以选择微软官方的版本，是因为在编译过程中会自动下载一些依赖库(见下图)。不用手动选择，所以非常简单方便。进入NugetPackages文件夹，里面的内容如下： 

 

打开libcaffe的工程设置，关闭视警告为错误(即设置为No)。如果不设置的话在编译boost库的时候会由于文字编码的警告而报错。如图： 

 

然后就在开始编译(先编译的是libcaffe)，等啊等（要有耐心，千年等一回）就编译成功了。这个时候在刚刚解压出来的caffe-master文件夹下面就会应该出现一个Build的文件夹。如图： 

 

漫长的等待，终于编译成功： 

 

编译成功和运行需要的文件都会存放在Build\X64\Relase下面，如图： 

 
 

 

前面已经提示是先编译的libcaffe，在solution上面右击选择属性（properties）。可以发现默认选择的是单任务，只编译libcaffe。这就是为什么之前默认先编译libcaffe。如下图： 

 

接下来，可以选择更多的任务来编译。类似地，我们接下来也可以只选择caffe来编译，同样的要注意release和X64. 如图： 

 

然后类似的build等待。。。发现比刚才多了几个文件，如图： 

 

然后也编译成功啦。。。还有一些其他的需要的时候再编译。。

注意：

1. 编译caffe.sln时，错误：无法打开包括文件: “gpu/mxGPUArray.h”: No such file or directory

解决方案：

https://blog.csdn.net/lqp888888/article/details/78782208

同时注意matlab安装路径的问题

 

6. 测试

下面通过一个最简单的网络结构lenet来对刚才安装的caffe进行测试。

1) 首先去官网： http://yann.lecun.com/exdb/mnist/ 下载mnist数据集。首先进入眼帘的是： 

 

在侧边可以看见有4个文件可以下载： 

 

下载后解压到D:\Project\caffe-master\data\mnist，如下图所示。 

 

（2）在caffe根目录下，新建一个create_mnist.bat，里面写入如下的脚本: 

 

此时如果立即双击该脚本文件，会报错，因为我们还没有生成convert_mnist_data.exe 这个可执行文件，因此我们又需要执行前面类似的操作，编译convert_mnist_data 这个工程，编译完成之后，在Build\x64\Release\ 中会有如下的文件： 

 

此时我们可以双击create_mnist.bat 这个脚本文件，仍然出错，如图： 

 

仔细检查，原来是要在data\mnist\ 里面还需要建立两个子目录，把相应的数据文件移动到子目录里。重新双击create_mnist.bat这个脚本文件，此时如图： 

 

在D:\Project\caffe-master\examples\mnist下面生成相应的lmdb数据文件，如图： 

 

（3）打开D:\Project\caffe-master\examples\mnist\lenet_solver.prototxt，定位到最后一行改为solver_mode:GPU，此处我们采用GPU训练。如下图所示： 

 

接下来我们要修改 lenet_train_test.prototxt文件，先做个备份，如图： 

 

打开文件lenet_train_test.prototxt，将其中的source选项的引号中加入“./”，如图： 

 

（4）在caffe根目录下，新建train_mnist.bat，然后输入如下的脚本： 

 

保存之后如图： 

 

然后双击运行，就会开始训练，训练完毕后会得到相应的准确率和损失率。训练如下： 

 

到此为止，我们完成了所有的环境搭建和demo测试。