首先聲明本教程可以適用于vs2015 和vs2013 .以vs2015為例。

安裝必備軟件

• vs 2015 /vs2013
• matlab 2016a(64bit)
• 推薦使用Anaconda 2.7 或者Miniconda 2.7這兩個Python發布版本
• cmake 3.8.0 以上
• caffe-window: https://github.com/BVLC/caffe/tree/windows

可選軟件：

• everything :搜索本地文件
• Rapid Environment Editor：快速編輯環境變量

下面我們介紹整個安裝流程：

---

安裝python 必要的包
我們這里安裝的是anaconda，可以使用conda 來安裝，但是實際上安裝很慢，為此可以設置國內的源。具體方法如下：Anaconda修改國內鏡像源
然后可以安裝如下包：

> conda install --yes numpy scipy matplotlib scikit-image pip six> conda install --yes --channel willyd protobuf==3.1.0

---

2.確認vs,matlab，python,cmake都加入環境變量。

---

3.編輯build_win
打開caffe-windows/scripts/build_win.cmd,編輯修改如下處：

同時修改conda的位置：

---

4.運行build_win.cmd。
cmd進入到caffe-windows\scripts目錄下，運行build_win.cmd。

該命令會在caffe-windows\scripts\目錄下創建一個build文件夾，并且會將額外的庫libraries_v140_x64_py27_1.1.0.tar.bz2下載到該文件夾，由于通過命令行下載很慢，我們可以中斷命令的執行，手動下載該庫文件到build目錄下，然后再重新運行上面的指令。

直接從 https://github.com/willyd/caffe-builder/releases 下載，然后將下載好的依賴包， 就放在.caffe\ dependencies\download\ 下。

C:\Users\wcy\.caffe\dependencies\download\libraries_v140_x64_py35_1.1.0.tar.bz2

---

5.在環境變量path中添加如下值

C:\Users\wcy\.caffe\dependencies\libraries_v140_x64_py27_1.1.0\libraries\bin C:\Users\wcy\.caffe\dependencies\libraries_v140_x64_py27_1.1.0\libraries\lib C:\Users\wcy\.caffe\dependencies\libraries_v140_x64_py27_1.1.0\libraries\x64\vc14\bin

也可以為了方便將上述解壓后的libraries拷貝到*\caffe-windows\scripts\build目錄下。同時相應地修改環境變量path中的值。

添加完后，記得一定要重啟電腦。如果忘記添加環境變量或者未重啟的話，在matlab測試caffe時，會提示:

caffe_.mexw64 無效的mex文件。

---

6.編譯caffe,matlab,pycaffe項目

用VS2015打開build文件夾下的Caffe.sln，會在VS的資源管理器目錄看到: caffe,matlab,pycaffe 三個項目，其默認是編譯release版本，我們依次進行編譯，可以通過選中項目，分別設為啟動項目，選擇release版本或者debug版本進行編譯，一般只對caffe進行版本的選擇，python、matlab只選擇release即可。

通過選中項目，右鍵屬性的方式，看到三個項目的配置，以及編譯生成的文件保存的路徑：

*:\caffe-windows\scripts\build\lib\Release\caffe.lib *:\caffe-windows\matlab+caffe\private\Release\caffe_.mexw64 *:\caffe-windows\scripts\build\lib\Release\_caffe.pyd

當然也可以在下面編譯的過程中觀察輸出結果。

---

接下來，我們進行測試。
首先需要下載對應的model。 這里參考文章《Caffe學習系列(20)：用訓練好的caffemodel來進行分類》

1). 可以直接在瀏覽器里輸入地址下載，也可以運行腳本文件下載。下載地址為：http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel

文件名稱為：bvlc_reference_caffenet.caffemodel，文件大小為230M左右，為了代碼的統一，將這個caffemodel文件下載到caffe根目錄下的 models/bvlc_reference_caffenet/ 文件夾下面。也可以運行腳本文件進行

python ./scripts/download_model_binary.py models/bvlc_reference_caffenet

2). 均值文件。

有了caffemodel文件，就需要對應的均值文件，在測試階段，需要把測試數據減去均值。這個文件我們用腳本來下載，在caffe根目錄下執行：

./data/ilsvrc12/get_ilsvrc_aux.sh

但是由于該命令是linux下的，所以不能運行。但是我們可以打開該文件，其實就是下載里面的文件，并解壓即可。
get_ilsvrc_aux.sh內容：

#!/usr/bin/env sh # # N.B. This does not download the ilsvrcC12 data set, as it is gargantuan. # This script downloads the imagenet example auxiliary files including: # - the ilsvrc12 image mean, binaryproto # - synset ids and words # - Python pickle-format data of ImageNet graph structure and relative infogain # - the training splits with labelsDIR="$( cd "$(dirname "$0")" ; pwd -P )" cd "$DIR"echo "Downloading..."wget -c http://dl.caffe.berkeleyvision.org/caffe_ilsvrc12.tar.gzecho "Unzipping..."tar -xf caffe_ilsvrc12.tar.gz && rm -f caffe_ilsvrc12.tar.gzecho "Done."

點擊http://dl.caffe.berkeleyvision.org/caffe_ilsvrc12.tar.gz下載后，解壓后，均值文件放在 data/ilsvrc12/ 文件夾里。

3). synset_words.txt文件

在調用腳本文件下載均值的時候，這個文件也一并下載好了。里面放的是1000個類的名稱。

---

7.測試matlab
在上面的保存生成路徑中，我們可以看到，caffe_.mexw64在*:\caffe-windows\matlab+caffe\private\Release目錄下，我們將其拷貝到:上一層目錄下，即private目錄下。然后打開matlab，將matlab工作路徑設置為：
*:\caffe-windows\matlab\demo ，然后新建一個test_caffe.m, 即如下的matlab測試代碼,將上面下載下來的model的名稱文件synset_words.txt文件拷貝到當前路徑下(與test_caffe.m同路徑)，直接運行test_caffe.m即可。(+caffe是matlab類,對接口進行了封裝).
matlab測試code:

% test_caffe.m close all;clear all; im = imread('../../examples/images/cat.jpg');%讀取圖片 figure;imshow(im);%顯示圖片 [scores, maxlabel] = classification_demo(im, 0);%獲取得分第二個參數0為CPU，1為GPU maxlabel %查看最大標簽是誰 figure;plot(scores);%畫出得分情況 axis([0, 999, -0.1, 0.5]);%坐標軸范圍 grid on %有網格fid = fopen('synset_words.txt', 'r'); i=0; while ~feof(fid)i=i+1;lin = fgetl(fid);lin = strtrim(lin);if(i==maxlabel)fprintf('the label of %d is %s\n',i,lin)breakend end

結果：

另一種測試方法：

打開Matlab 切換到 *\caffe\caffe-windows\matlab 路徑下，
輸入以下命令： caffe.run_tests()
得到如下結果：

>> caffe.run_tests() Cleared 0 solvers and 0 stand-alone nets 正在運行 caffe.test.test_net ..... 已完成 caffe.test.test_net __________正在運行 caffe.test.test_solver . 已完成 caffe.test.test_solver __________正在運行 caffe.test.test_io . 已完成 caffe.test.test_io __________Cleared 0 solvers and 0 stand-alone netsans = 1x7TestResult 數組(具有屬性):NamePassedFailedIncompleteDurationDetails總計:7 Passed, 0 Failed, 0 Incomplete.0.79735 秒測試時間。

表明matlab接口安裝成功。

---

8.測試python
將 *:\caffe-windows\python 下的caffe文件夾，拷貝到：python的site-packages 文件夾下，我們這里是：

D:\software\anaconda\Lib\site-packages

其實我們會看到，編譯生成的_caffe.pyd 也會在*:\caffe-windows\python\caffe 目錄下生成一份。
注意下面的代碼中caffe_root 要修改成自己的路徑。
python測試code:

# coding=utf-8 ''' Created on 2017年3月9日 ''' #安裝Python環境、numpy、matplotlib import numpy as np import matplotlib.pyplot as plt#設置默認顯示參數 plt.rcParams['figure.figsize'] = (10, 10) # 圖像顯示大小 plt.rcParams['image.interpolation'] = 'nearest' # 最近鄰差值: 像素為正方形 plt.rcParams['image.cmap'] = 'gray' # 使用灰度輸出而不是彩色輸出import sys caffe_root = 'E:/caffe-windows/' #該文件要從路徑{caffe_root}/examples下運行，否則要調整這一行。 sys.path.insert(0, caffe_root + 'python')import caffeimport os if os.path.isfile(caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'):print 'CaffeNet found.' else:print 'Downloading pre-trained CaffeNet model...' # !../scripts/download_model_binary.py ../models/bvlc_reference_caffenetcaffe.set_mode_cpu()model_def = caffe_root + 'models/bvlc_reference_caffenet/deploy.prototxt' model_weights = caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'net = caffe.Net(model_def, # 定義模型結構model_weights, # 包含了模型的訓練權值caffe.TEST) # 使用測試模式(不執行dropout)# 加載ImageNet圖像均值 (隨著Caffe一起發布的) mu = np.load(caffe_root + 'python/caffe/imagenet/ilsvrc_2012_mean.npy') mu = mu.mean(1).mean(1) #對所有像素值取平均以此獲取BGR的均值像素值 print 'mean-subtracted values:', zip('BGR', mu)# 對輸入數據進行變換 transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})transformer.set_transpose('data', (2,0,1)) #將圖像的通道數設置為outermost的維數 transformer.set_mean('data', mu) #對于每個通道，都減去BGR的均值像素值 transformer.set_raw_scale('data', 255) #將像素值從[0,255]變換到[0,1]之間 transformer.set_channel_swap('data', (2,1,0)) #交換通道，從RGB變換到BGR# 設置輸入圖像大小 net.blobs['data'].reshape(50, # batch 大小3, # 3-channel (BGR) images227, 227) # 圖像大小為:227x227 image = caffe.io.load_image(caffe_root + 'examples/images/cat.jpg') transformed_image = transformer.preprocess('data', image) plt.imshow(image) plt.show()# 將圖像數據拷貝到為net分配的內存中 net.blobs['data'].data[...] = transformed_image### 執行分類 output = net.forward() output_prob = output['prob'][0] #batch中第一張圖像的概率值 print 'predicted class is:', output_prob.argmax() # 加載ImageNet標簽 labels_file = caffe_root + 'data/ilsvrc12/synset_words.txt' # if not os.path.exists(labels_file): # !../data/ilsvrc12/get_ilsvrc_aux.shlabels = np.loadtxt(labels_file, str, delimiter='\t')print 'output label:', labels[output_prob.argmax()]

結果：
CaffeNet found.
mean-subtracted values: [(‘B’, 104.0069879317889), (‘G’, 116.66876761696767), (‘R’, 122.6789143406786)]


predicted class is: 281
output label: n02123045 tabby, tabby cat

---

9.測試c++版本

首先 ：生成exe應用程序
和編譯caffe同樣的步驟，直接按照如下圖，選擇設置為啟動項目，進行生成。
我們需要生成caffe.exe compute_image_mean.exe convert_imageset.exe。

1). 下載好MINIST數據：http://pan.baidu.com/s/1o7YrhKe，下載完之后解壓，將mnist-test-leveldb與mnist-train-leveldb文件夾放到examples\mnist\文件夾下。
2).修改lenet_train_test.prototxt文件，四處地方：

//需要修改四處地方，如下注釋標注 name: "LeNet" layer {name: "mnist"type: "Data"top: "data"top: "label"include {phase: TRAIN}transform_param {scale: 0.00390625}data_param {source: "....省略/examples/mnist/mnist-train-leveldb" //寫上你的絕對路徑batch_size: 64backend: LEVELDB //格式改成LEVELDB} } layer {name: "mnist"type: "Data"top: "data"top: "label"include {phase: TEST}transform_param {scale: 0.00390625}data_param {source: "....省略/examples/mnist/mnist-test-leveldb"//寫上你的絕對路徑batch_size: 100backend: LEVELDB //格式改成LEVELDB} }

修改lenet_solver.prototxt文件，三個地方：

net: "....省略/examples/mnist/lenet_train_test.prototxt" //絕對路徑snapshot_prefix: "....省略/examples/mnist/lenet" //絕對路徑solver_mode: CPU //CPU模式，

右鍵caffe打開屬性，在調試-命令參數里設置輸入：

train --solver=前面的絕對路徑/mnist/lenet_solver.prototxt

成功運行！
也可以編寫批處理文件run.bat內容如下：

*\caffe\build\tools\Release\caffe.exe train --solver=前面的絕對路徑/mnist/lenet_solver.prototxt Pause

即可看到運行界面啦~

至此，caffe在VS2015上成功安裝并調試~

參考文獻

caffe官網：https://github.com/BVLC/caffe/tree/windows

caffe在Windows+VS2015+CPU ONLY下的編譯

Windows下VS2015編譯caffe(CPU ONLY)

在Windows10上使用Visual Studio 2015 構建Caffe

caffe/models/bvlc_reference_caffenet/

（重要） 安裝Windows10 和環境下的caffe（新版）

（重要）Caffe學習系列(20)：用訓練好的caffemodel來進行分類

（重要）VS2015+caffe+matlab+python+CPU

總結

以上是生活随笔為你收集整理的win7+vs2015/13+caffe+matlab+python（CPU only）配置的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。