Windows底下编译MatConvNet工具包CPU版本

最新推荐文章于 2017-02-15 12:40:41 发布

爱生活爱阿慌

最新推荐文章于 2017-02-15 12:40:41 发布

阅读量6.2k

点赞数

分类专栏： deep learning

deep learning 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

vlfeat工具包发布了他们的Deep Learning 的工具包MatConvNet，由于目前只提供了Linux和Mac上可以编译通过的版本，该工具包的主页是： http://www.vlfeat.org/matconvnet/，并且提供几个已经训练好的CNN网络模型。

经过一上午的小修改，终于将这个工具包的成功的编译可以在Windows底下可以运行的CPU版本。对于GPU的版本由于需要Matlab 2014版本，而本人的Matlab是2012版本，所以就没有继续去进行编译。还有另外一个原因，对于大规模的训练CNN网络，一般都是放在Linux服务器上进行训练的，所以对于平常只使用已经训练好的模型，进行测试实验，仅使用CPU基本就已经够用了。

这个网站提供使用VS2010编译Matlab的普通mewx以及支持CUDA的动态链接的vs模板，可以直接下载使用：

http://personal.ie.cuhk.edu.hk/~xy012/others/cuda_mex_vs.html

个人的已经修改好的VS2010的工程文件，可以在这个链接进行下载：

链接： http://pan.baidu.com/s/1c03Zr8k 密码：ieu4

在使用的过程中需要对一些包含include， lib的路径进行修改。

以及编译好的mex文件

链接： http://pan.baidu.com/s/1dDiY7Gt 密码：h6tz

可以直接下载拷贝到： "matconvnet-1.0-beta7\matlab\mex"目录下

如果需要自己一步一步进行实现，可以参考下面的步骤。

简单介绍一下我使用的环境是VS2010 + Matlab 2012a ， 64位win7系统。

具体的编译过程如下：

1. 使用VS2010创建一个MFC的DLL工程

将" matconvnet-1.0-beta7\matlab\src"目录底下的所有文件及文件夹拷贝到我们新建的VS工程文件目录底下。

（1）在工程名字上右键，选择最下面的Properties, 点击最顶上的Configuration Manager按钮， Active solution platform新建一个x64，并选择Release。

（2） Properties -> Configuration Properties -> General -> Target Extension改为 .mexw64

（3） Properties -> Configuration Properties -> C/C++ -> Additional Include Directories添加

$(matlabroot)\extern\include 其中$(matlabroot)是你电脑上matlab的安装路径

可以在电脑的环境变量中新建一个matlabroot变量，指向matlab的安装目录

（4）Properties -> Configuration Properties -> Linker -> Additional Dependencies中添加

$(matlabroot)\extern\lib\win64\microsoft\libmx.lib

$(matlabroot)\extern\lib\win64\microsoft\libmex.lib

$(matlabroot)\extern\lib\win64\microsoft\libmat.lib

$(matlabroot)\extern\lib\win64\microsoft\libmwblas.lib

（5）点击Source目录下的 *.def文件，

EXPORTS 改为 EXPORTS mexFunction

2. 编译vl_nnconv.cu , vl_nnnormalize.cu , vl_nnpool.cu

对于这三个文件，采用单独的方式一个一个进行编译。

首先编译 vl_nnconv.cu， Source Files上右键 Add -> Existing Items 添加 vl_nnconv.cu，后缀名改为.cpp，并将Project的名字改为vl_nnconv。

其次是编译 vl_nnnormalize.cu， Source Files上右键 Add -> Existing Items 添加 vl_nnnormalize.cu，后缀名改为.cpp， vl_nnconv.cpp上右键 Remove，并将Project的名字改为 vl_nnnormalize。

最后是编译 vl_nnpool .cu， Source Files上右键 Add -> Existing Items 添加 vl_nnpool .cu，后缀名改为.cpp， vl_nnnormalize .cpp上右键 Remove，并将Project的名字改为 vl_nnpool 。

编译过程中出现的错误：

（1）. 对于bits文件夹里面的每一个cpp文件，记得在开始的部分加上#include "stdafx.h"
（2）. 对于bits\normalize.cpp没有“x86intrin.h”头文件的错误，可参照下面的链接中对应的VS版本以及CPU进行修改。 http://www.cnblogs.com/zyl910/archive/2012/02/28/vs_intrin_table.html

（3）. 对于bits\normalize.cpp(352): error C2219: syntax error : type qualifier must be after '*'，直接将restrict移动动*之后。

3. 编译vl_imreadjpeg

最后是编译vl_imreadjpeg.c这个文件，首先将MFC DLL的工程的名字重命名为“vl_imreadjpeg"，并将vl_imreadjpeg.c的后缀名改为.cpp, 并添加 #include "stdafx.h"

需要libjpeg和pthread的支持

（1）对于libjpeg我是直接拷贝了opencv中的libjpeg的里面的所有文件，链接： http://pan.baidu.com/s/1o6LpSAA 密码：bvng

将整个文件夹拷贝到整个工程的文件目录底下，VS的工程上右键 Add -> New Filter 输入(libjpeg), 然后在libjpeg上右键 Add -> Existing Item将libjpeg文件底下的所有文件都添加进来，但需要Remove掉 jmemansi.c这一个文件。选中libjpeg底下所有的.c文件，右键 Properties -> C/C++ -> Precompiled Header ->Precompiled Header 选中“Not Using Precompiled Headers”

（2）pthread可以在这个地址进行下载 ftp://sourceware.org/pub/pthreads-win32/pthreads-w32-2-9-1-release.zip

Properties -> Configuration Properties -> C/C++ -> Additional Include Directories添加

D:\Toolbox\pthreads-w32-2-9-1-release\Pre-built.2\include

Properties -> Configuration Properties -> Linker -> Additional Dependencies中添加

D:\Toolbox\pthreads-w32-2-9-1-release\Pre-built.2\lib\x64\pthreadVC2.lib

将蓝色部分改为对应的目录。

在编译的过程中可能会出现的一些错误及修改方法。

(1) 对于错误>bits\pooling.cpp(52): error C2589: '(' : illegal token on right side of '::' ，主要是有std::max与系统中max宏冲突，将std::max加上括号(std::max)。以及文件中的std::min改为(std::min)。
(2) >vl_imreadjpeg.cpp(157): error C3861: 'snprintf': identifier not found，将snprintf改为_snprintf

(3) >vl_imreadjpeg.cpp(325): error C2440: '=' : cannot convert from 'void *' to 'Reader *'，

readers[r] = malloc(sizeof(Reader)) ; 在malloc加上相应的指针类型强制转换。readers[r] = (Reader*)malloc(sizeof(Reader)) ; 对于几处相应的错误采用同样的处理方法。

(4) >vl_imreadjpeg.cpp(211): error C2219: syntax error : type qualifier must be after '*'

JSAMPROW __restrict scanline = scanlines[dy] + 3*x ;

改为 JSAMPLE FAR * __restrict scanline = scanlines[dy] + x ;

4. 最后就是进行测试了：

（1）将编译好的vl_imreadjpeg.mexw64, vl_imreadjpeg.mexw64, vl_nnnormalize.mexw64, vl_nnpool.mexw64复制到 “ matconvnet-1.0-beta7\matlab\mex"目录底下

（2）进入toolbox的matlab目录，运行 vl_setupnn.m，然后再输入 vl_test_nnlayers命令如果可以正确运行那么就说明编译成功。

（3）在"examples"目录下运行“cnn_imagenet_minimal.m”,会自动下载VGG实验室已经训练好的一个模型，下载过程可能需要一段时间。

测试这张图片“pepper.png”,可以看到图片上的输出结果“Bell Pepper, Score 0.704”