1、下载微软官方caffe-windows解压到F盘根目录。这个版本好处待会会说。点我进入Git下载 2、Cuda SDK。这里以Cuda7.5为例。解压到caffe-windows目录。点我进入官网下载 3、下载cuDNN。同样用7.5版本。点我进入官网下载。官网下载可能需要你注册，忍一下吧。 4、下载用于训练手写数字识别模型LeNet的mnist数据集。点我官网下载
1、解压caffe-windows后，找到windows\CommonSettings.props.example文件，重命名为CommonSettings.props文件。然后重点找到下面几个属性进行修改。
<CpuOnlyBuild>false</CpuOnlyBuild> <UseCuDNN>true</UseCuDNN> <CudaVersion>7.5</CudaVersion> <CudaArchitecture>compute_30,sm_30</CudaArchitecture> <CuDnnPath>F:\caffe-master</CuDnnPath>说明如下： - CpuOnlyBuild: 指明只使用CPU。我们这里使用GPU，因此输入false。 - UseCuDNN： 指明使用GPU。因此输入true。显然和CpuOnlyBuild必然不能同真。 - CudaVersion: 你的cuda版本号! - CudaArchitecture: 对应你的GPU的Cuda计算能力！请使用GPU-Z工具查看，鼠标放到CUDA单选框上即可。如下图所示。我这里是3.0. - CuDnnPath: 指明cuDNN的存放目录。注意是cuda目录的父目录！ 2、使用Visual Studio 2013打开.\windows\Caffe.sln，编译之前请一定确认以下几个事项： - 编译选项设置为Release，X64； - ibcaffe工程属性→配置属性→C/C++→常规→将警告视为错误修改为“否”； - libcaffe工程属性 →配置属性→ CUDA C/C++→Device →Code Generation中的CudaArchitecture确实设置正确（符合你的GPU计算能力）； 3、开始编译解决方案。如果出现如下错误： E:\NugetPackages\boost.1.59.0.0\lib\native\include\boost/format/alt_sstream_impl.hpp : error C2220: 警告被视为错误 - 没有生成“object”文件 (….\src\caffe\util\math_functions.cpp) 不要慌，编码方式问题而已。打开该文件，保存一下即可 1。 4、微软官方版本的好处是微软使用NuGet管理第三方开发包，编译过程会自动帮你下载一大堆依赖库到../NugetPackages目录中。因此可能会比较慢，但是毕竟方便。 5、全部生成成功后，caffe.exe等文件存放在.\Build\x64\Release目录中。
1、解压数据。 把下载好的mnist数据集解压到.\examples\mnist\mnist_data目录，可以看到其解压后由4个ubyte文件组成。 2、转换数据。 caffe必须将其转换成lmdb或者leveldb文件才能进行训练。在.\examples\mnist下新建一个Convert_Mnist_Data.bat文件，输入：
..\..\Build\x64\Release\convert_mnist_data.exe --backend=lmdb mnist_data\train-images.idx3-ubyte mnist_data\train-labels.idx1-ubyte mnist_train_lmdb ..\..\Build\x64\Release\convert_mnist_data.exe --backend=lmdb mnist_data\t10k-images.idx3-ubyte mnist_data\t10k-labels.idx1-ubyte mnist_test_lmdb pause运行成功后，就把mnist的训练数据和测试数据转换成了lmdb文件。注意其存放于.\examples\mnist下的mnist_test_lmdb和mnist_train_lmdb目录中。 3、计算训练数据均值。 在.\examples\mnist下新建一个Create_Mean.bat文件，输入：
..\..\Build\x64\Release\compute_image_mean.exe mnist_train_lmdb mean.binaryproto --backend=lmdb Pause运行成功后，当前目录会生成一个mean.binaryproto均值文件。训练中会用到。 4、修改LeNet网络描述文件 打开.\examples\mnist目录下的lenet_train_test.prototxt文件，查找transform_param属性，在其中加入一行代码，指定均值文件：
transform_param { mean_file: "mean.binaryproto" scale: 0.00390625 }打开.\examples\mnist目录下的lenet_solver.prototxt文件，注意最后几行：
snapshot_prefix: "examples/mnist/lenet" # solver mode: CPU or GPU solver_mode: GPU snapshot_prefix： 目录前缀，由于我们接下来会在examples\mnist目录下写一个bat来训练LeNet，因此，这里把目录修改为”lenet”即可。solver_mode： 指定使用GPU进行训练。你可以改为CPU来体验龟速训练。 5、开始训练 在.\examples\mnist下新建一个Train_Mnist.bat文件，输入： ..\..\Build\x64\Release\caffe.exe train --solver=lenet_solver.prototxt pause使用GPU的话大概不到1分钟即可训练完毕，最后收敛时准确率在0.991左右。
是不是迫不及待的想自己写几个数字让LeNet来识别了呢？部分博主提供了使用matlab转灰度图的方法2。这里我提供更加简单粗暴的方法如下： 1、使用画图程序，画布大小调整为较小的正方形即可； 2、使用墨水工具把背景涂成黑色； 3、铅笔手写一个数字，然后另存为单色位图即可，命名为0.bmp。如下图所示： 4、将图片存放到examples\mnist\mytest下。然后在该目录下新建一个标签描述文件label.txt，里面输入：
0 1 2 3 4 5 6 7 8 95、在.\examples\mnist下新建一个MyTest.bat文件，输入：
..\..\Build\x64\Release\classification.exe lenet.prototxt lenet_iter_10000.caffemodel mean.binaryproto mytest\label.txt mytest\0.bmp pause应该可以看到如下结果：
最后感谢其他网友提供的Check fail错误解决方案3，以及其他对mnist数据集4和Cifar数据集的训练教程5。
