用vs2015编译并配置caffe（CPU only）

用vs2015编译并配置caffe（CPU only）

1 环境准备

• Visual Studio 2015
• CMake 3.4 or higher #只用3.4及以上版本才支持vs2015
• anaconda python2.7 #anaconda集成了大量优秀的python第三方科学计算库
• git

  vs2015自然是用来编译caffe项目的，但是这个caffe项目文件和vs2013环境下有所不同，需要通过cmake工具make出来。直接用vs2015编译vs2013的项目是会出错的。

2 文件下载

2.1 准备项目文件

克隆项目，进入windows分支

C:\Projects> git clone  https://github.com/BVLC/caffe.git
C:\Projects> cd caffe
C:\Projects\caffe> git checkout windows

2.2 准备预编译库

在该文件cmake/WindowsCreateLinkHeader.cmake中，有自动下载的脚本，奈何最近开大会，校园网感人，各种中断。我们可以直接从中提取连接然后下载，这里我提供两种下载方式

百度云 https://pan.baidu.com/s/1sl6XFRZ (感谢博主@xiaoxiyang1990提供）
github https://github.com/willyd/caffe-builder/releases/download（博主刚刚访问就是404，哭）

下载好了以后，在根目录下新建文件加build,把文件解压到caffe/bulid目录,文件很大，解压大小在1G左右。

3 cmake编译生成vs2015项目

3.1 修改配置文件

打开caffe/scripts,用notepad++打编辑控制台脚本文件build_win.cmd，从第69行else处开始，根据需求做相应修改

    if NOT DEFINED MSVC_VERSION set MSVC_VERSION=14 #vs的版本，如果是vs2013为12，vs2015为14，此处我们不做修改
    if NOT DEFINED WITH_NINJA set WITH_NINJA=0 #此处改为1，我们使用vs编译，不借助ninja，虽然官方说ninja更快
    if NOT DEFINED CPU_ONLY set CPU_ONLY=1 #我们只配置CPU版本，此处值1
    if NOT DEFINED CUDA_ARCH_NAME set CUDA_ARCH_NAME=Auto
    if NOT DEFINED CMAKE_CONFIG set CMAKE_CONFIG=Release
    if NOT DEFINED USE_NCCL set USE_NCCL=0
    if NOT DEFINED CMAKE_BUILD_SHARED_LIBS set CMAKE_BUILD_SHARED_LIBS=0
    if NOT DEFINED PYTHON_VERSION set PYTHON_VERSION=2 #python版本，python2.7写2，python3.5写3
    if NOT DEFINED BUILD_PYTHON set BUILD_PYTHON=1
    if NOT DEFINED BUILD_PYTHON_LAYER set BUILD_PYTHON_LAYER=1
    if NOT DEFINED BUILD_MATLAB set BUILD_MATLAB=0
    if NOT DEFINED PYTHON_EXE set PYTHON_EXE=python
    if NOT DEFINED RUN_TESTS set RUN_TESTS=0
    if NOT DEFINED RUN_LINT set RUN_LINT=0
    if NOT DEFINED RUN_INSTALL set RUN_INSTALL=0

然后在cmd或者powershell下运行build_win.cmd，不出问题就是一路同行。
* 报错中出现ninja字样，就是因为配置文件没有把ninja项改为0

4 vs2015编译caffe

4.1 编译

cmake的结果是生成了bulid文件夹，打开caffe\scripts\build\Caffe.sln,就进入了caffe的vs2015项目了。

先生成解决方案，

再生成 INSTALL

获得caffe的可执行文件caffe\scripts\build\install\bin\caffe-d.exe
到此为止，caffe算是编译完成了。

5 测试

采用minist数据集验caffe。
数据下载地址： https://pan.baidu.com/s/1o7YrhKe （感谢博主@延卿

把文件解压到caffe\examples\mnist,
打开lenet_train_test.prototxt,修改如下两个mnist层，共四个参数

name: "LeNet"
layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "A:/Caffe/caffe/examples/mnist/mnist-train-leveldb" #修改为绝对路径
    batch_size: 64
    backend: LEVELDB #修改为：LEVELDB
  }
}
layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "A:/Caffe/caffe/examples/mnist/mnist-test-leveldb"  #修改为绝对路径
    batch_size: 1
    backend: LEVELDB #修改为：LEVELDB
  }
}

然后修改lenet_solver.prototxt，

# The train/test net protocol buffer definition
net:
"A:/Caffe/caffe/examples/mnist/lenet_train_test.prototxt" # 设置为绝对路径 
# test_iter specifies how many forward passes the test should carry out.
# In the case of MNIST, we have test batch size 100 and 100 test iterations,
# covering the full 10,000 testing images.
test_iter: 100
# Carry out testing every 500 training iterations.
test_interval: 500
# The base learning rate, momentum and the weight decay of the network.
base_lr: 0.01
momentum: 0.9
weight_decay: 0.0005
# The learning rate policy
lr_policy: "inv"
gamma: 0.0001
power: 0.75
# Display every 100 iterations
display: 100
# The maximum number of iterations
max_iter: 1000 # 迭代次数，可以改的小一点
# snapshot intermediate results
snapshot: 500
snapshot_prefix: "A:/Caffe/caffe/examples/mnist/lenet"
# solver mode: CPU or GPU
solver_mode: CPU # 只使用CPU训练

再cmd中执行A:\Caffe\caffe\scripts\build\tools\Debug\caffe-d.exe train --solver=A:\Caffe\caffe\examples\mnist\lenet_solver.prototxt开始训练。
不出问题最后出现accurance=xx，loss=xx，并且程序停止，则表示运行成功。生成模型caffe\examples\mnist\lenet_iter_1000.caffemodel