####目录结构
一. 准备工作二. 编译2.1、开启相关caffe版本的编译开关配置内容2.2、手动更改或者指定版本对应编译器目录2.3、下载依赖文件dependencies文件到指定目录 2.4、编译 三. MNIST手写体字符识别（C++） 3.1、MNIST数据集下载3.2、转换数据格式3.3、训练和测试数据集3.4、测试单张图片 四. Matlab Demo 4.1、编译Caffe的Matlab接口4.2、模型文件下载4.3、测试 五. 附录 5.1、生成网络结构图5.2、相关文件说明5.3、debug调试模式5.4、配置中关于include phase TRAIN/TEST的相关说明原创文章，转载请注明出处 http://blog.csdn.net/wanggao_1990/article/details/76721294。
目录.\caffe-windows\scripts\下的build_win.cmd，双击就能在此目录下创建build文件夹并生成VS的.sln解决方案，并编译生成各种版本库和可执行文件。下图是双击.bat后会出现的内容，也会看到相应的一些配置情况。
通常需要改动build_win.cmd文件和相关.cmake文件的部分内容，以修改一些目录和下载内容的配置。目录结构如下。
默认VS2015编译，自动检测CUDA，编译GPU版本，生成release等… 例如，表示需要编译Matlab版本接口。若不在这里指定，需要编译Matlab版本接口则需要在cmd中给.bat传入参数，如.\build_win.cmd -DBUILD_matlab=ON。
另外，还需要在caffe-windows目录下修改CMakeList.txt中的python版本号set(python_version "3" CACHE STRING "Specify which Python version to use")（python2为默认）。
在运行build_win.cmd后，会自动执行位于.\caffe-windows\cmake\目录下的WindowsDownloadPrebuiltDependencies.cmake文件（可在文件中找到相关的下载网站），建议手动下载libraries_v140_x64_py35_1.1.0.tar.bz2并解压到到用户目录C:\Users\Administrator\.caffe\dependencies下。 从https://github.com/willyd/caffe-builder/releases下载对应版本的依赖文件并解压到指定位置。 若已经手动下载了，需修改WindowsDownloadPrebuiltDependencies.cmake文件使其不再重复下载，找到如下部分并注释。
运行build_win.cmd文件，没其他配置问题，等待一段时间就能生成sln和各种文件了。编译生成的caffe.sln解决方案。编译生成的解决方案，生成Matlab、C++、Python不同版本的caffe接口库和samples的数据转换可执行文件。
利用编译好的C++版本Caffe对MNIST手写字符进行训练和识别。
从http://yann.lecun.com/exdb/mnist/下载MNIST的数据集（如下四个压缩文件），并解压到目录.\caffe-windows\data\mnist\下。 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FcARikAc-1571282551892)(https://github.com/wanggao1990/MarkdownPhotos/blob/master/ImageGithubToMarkdown/windows_caffe-img/3-1-1.png?raw=true)]
在.\caffe-windows\data\mnist\目录下新建convert_datas.bat批处理文件，内容如下。 双击后，分别在当前目录下的mnist_train_lmdb和mnist_test_lmdb文件夹下生成数据文件，分别用于训练和测试。运行和生成文件如下： Tips: 若需要生成levelbd格式，需要在"convert_mnist_data"工程中先指定backend为”leveldb”，再编译生成exe，重复执行上述操作即可。
首先从.\caffe-windows\examples\mnist\目录下拷贝lenet_solver.prototxt和lenet_train_test.prototxt两个文件到.\caffe-windows\data\mnist\目录下。
修改两个文件的数据源路径和生成模型文件路径，内容如下： 如果数据格不为LMBD，还需修改data_param下的backend为对应格式的字符（文件说明见附录）。
在.\caffe-windows\data\mnist\目录新建snapshot_lenet文件夹。新建train.bat文件，内容如下。 运行得到如下结果。 利用GPU训练迭代10000次，最终的准确率为99.05%。生成的模型文件：
在.\caffe-windows\data\mnist\新建test.bat文件，内容如下。 运行得到结果如下，正确率为98.58%。
测试识别单张图片，准备一张28*28的数字手写体图片文件。另外，还需要数据训练的均值文件、标签文件、deploy.prototxt文件和识别可执行文件。
编译“compute_image_mean”工程，生成对应的exe文件，位置如右下图 在.\caffe-windows\data\mnist\新建compute_mean.bat文件，内容如下。 运行后会在当前目录下生成一个mean.binaryproto均值文件。
在.\caffe-windows\data\mnist\新建synset_words.txt文件，内容如下
编译“classification”工程，生成对应的exe文件，位置如右下图
该文件由lenet_train_test.prototxt修改而来，可从目录.\caffe-windows\examples\mnist\下直接拷贝文件lenet.prototxt到当前目录，并改名为deploy.prototxt。
在.\caffe-windows\data\mnist\新建mnist_img_classification.bat文件，内容如下 测试图片3.bmp位于当前文件夹下，图片和测试结果如下：
能够正确识别为数字3 （注意，图片背景为黑，前景为白）。
Tips: 测试当个模型的时候用到了均值文件，建议在训练文件lenet_train_test.prototxt和测试文件deploy.prototxt中transform_param添加处理命令mean_file: "./mean.binaryproto"。
利用CaffeNet演示图像分类，首先需要编译Caffe的Matlab接口，再下载一个对应的模型文件，最后就可以运行这个demo。
编译“matlab”工程，生成对应的caffe_.mexw64文件，位置如右下图
从http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel下载模型文件，并放到\caffe-windows\models\bvlc_reference_caffenet\文件夹下。
打开Matlab，设置当前目录为.\caffe-windows\matlab\demo\，执行以下代码： 图片和结果如下：
利用.\caffe-windows\python目录下的draw_net.py脚本绘制网络结构图（需要pip安装依赖的包，见requirements.txt）。新建draw_net.bat批处理文件，内容如下。复制lenet_train_test.prototxt到当前目录。 运行后结果如下 对my_deploy.prototxt生成结构图如下
Tips: 可查看大图。 网络结构是从下向上生长，当前层的前一层为bottom，后一层是top。
（3）lenet.prototxt
name: "LeNet"（网络的名字） layer { name: "data" type: "Input" （层类型，输入） top: "data" （导入数据这一层没有bottom，因为是第一层） input_param { shape: { dim: 64 dim: 1 dim: 28 dim: 28 } } （64张图为一批，28*28大小） } 读取这批数据维度：64 1 28 28 layer { name: "conv1" type: "Convolution" （卷积类型层） bottom: "data" （上一层名叫做data） top: "conv1" （下一层名叫做conv1） param { lr_mult: 1 （weights的学习率与全局相同） } param { lr_mult: 2 （biases的学习率是全局的2倍） } convolution_param { （卷积操作参数设置） num_output: 20 （卷积输出数量20，由20个特征图Feature Map构成） kernel_size: 5 （卷积核的大小是5*5） stride: 1 （卷积操作步长） weight_filler { type: "xavier" （随机的初始化权重和偏差） } bias_filler { type: "constant" （bias使用0初始化） } } （通过卷积之后，数据变成（28-5+1）*（28-5+1），20个特征） } 卷积之后这批数据维度：64 20 24 24 layer { name: "pool1" type: "Pooling" （下采样类型层） bottom: "conv1" top: "pool1" pooling_param { pool: MAX （下采样方式，取最大值） kernel_size: 2 （下采样核函数size） stride: 2 （步长） } } 下采样之后这批数据维度：64 20 12 12 layer { name: "conv2" type: "Convolution" bottom: "pool1" top: "conv2" param { lr_mult: 1 } param { lr_mult: 2 } convolution_param { num_output: 50 （50个卷积核） kernel_size: 5 stride: 1 weight_filler { type: "xavier" } bias_filler { type: "constant" } } } 卷积之后这批数据维度：64 50 8 8 layer { name: "pool2" type: "Pooling" bottom: "conv2" top: "pool2" pooling_param { pool: MAX kernel_size: 2 stride: 2 } } 下采样之后这批数据维度：64 50 4 4 layer { name: "ip1" type: "InnerProduct" （全连接类型层） bottom: "pool2" top: "ip1" param { lr_mult: 1 } param { lr_mult: 2 } inner_product_param { （全连接层参数设置） num_output: 500 （输出为500） weight_filler { type: "xavier" } bias_filler { type: "constant" } } （4*4的数据通过4*4的卷积得到1*1的数据） } 通过全连接层之后这批数据维度：64 500 1 1 layer { name: "relu1" type: "ReLU" （激活函数类型层） bottom: "ip1" top: "ip1" （这个地方还是ip1，底层与顶层相同减少开支，下一层全连接层的输入也还是ip1） } 通过ReLU层之后这批数据维度：64 500 1 1（不做改变） layer { name: "ip2" type: "InnerProduct" bottom: "ip1" top: "ip2" param { lr_mult: 1 } param { lr_mult: 2 } inner_product_param { num_output: 10 （直接输出结果，0-9，十个数字所以维度是10） weight_filler { type: "xavier" } bias_filler { type: "constant" } } （数据的分类判断在这一层中完成） } 通过全连接层之后这批数据维度：64 10 1 1 layer { name: "prob" type: "Softmax" （损失函数） bottom: "ip2" top: "prob" （一开始数据输入为date的话，这里写label） }当我们想进入debug模式进行调试代码时，切换方案配置为Debug，点击build时，会提示找不到python*.lib。正常情况下，debug也是应该找python*_d.lib的。问过caffe的作者，回答为：
Usually official python builds do not include the debug library. Python.h inserts a linker directive for the python35_d.lib in debug and python35.lib in release but boost.python tries to fool python.h so that it links to python35.lib since most people won’t have python35_d.lib. If you want to use the debug library define BOOST_DEBUG_PYTHON see: http://www.boost.org/doc/libs/1_61_0/boost/python/detail/wrap_python.hpp。
另外，wrap_python.hpp的开头注释中也写到 This file serves as a wrapper around “Python.h" which allows it to be compiled with GCC 2.95.2 under Win32 and which disables the default MSVC behavior so that a program may be compiled in debug mode without requiring a special debugging build of the Python library.
解决办法： 打开 .caffe\dependencies\libraries_v140_x64_py35_1.1.0\libraries\include\boost-1_61\boost\python\detail\下的wrap_python.hpp文件，添加一句#define BOOST_DEBUG_PYTHON，修改如下。之后便能在debug下编译成功。
#ifdef _DEBUG #define BOOST_DEBUG_PYTHON # ifndef BOOST_DEBUG_PYTHON # ifdef _MSC_VERprototxt文件一般会有2个或3个， 2个时为 train_val.prototxt 和 deploy.prototxt， 3个时为 train.prototxt，val.prototxt 和 deploy.prototxt 。 其中deploy.prototxt不用解释，通常会是 train_val.prototxt ，这个里面就存在以下两种参数：
include { phase: TRAIN } include { phase: TEST }这两种参数分别配置训练train和验证validation, 多数多出现在 Data 和 Accuracy 层，供模型有区别地选择当前层的配置。
例如train_val.prototxt 中有2个Data层，如下图，在训练时使用目录mnist_train_lmdb下的数据集，在测试时使用目录mnist_test_lmdb下的数据。 如果训练和测试的样本一样，有两种使用方式： 第一种，保留两个data层，data_param中source使用同一个数据； 第二种，去掉include { phase: xxx}， 使用默认方式，默认的data_param中source既用在训练train，也用在验证validation中。
注意，指定phase时，必须有2个，若仅保留TRAIN，会报错误 F1017 11:17:45.960036 15712 insert_splits.cpp:29] Unknown bottom blob ‘data’ (layer ‘conv1’, bottom index 0), 提示bottom层既data层不存在。
当phase为TEST时，仅在指定如
test_iter: 100 # 验证样本迭代次数，10000个样本设置batch_size=100, 需要100次 test_interval: 500 # 进行验证的迭代间隔500, 每训练迭代500，对10000个样本验证一次时，accuracy仅出现在验证过程中。
layer { name: "accuracy" type: "Accuracy" bottom: "ip2" bottom: "label" top: "accuracy" include { phase: TEST } }选择第500次迭代，会多出一部分有 Test net ouput #0 accuracy 和 #1 loss。其他次迭代仅有一个 Train net outpu #0的loss。 若去掉 include { phase: TEST } , 则默认为训练和测试都进行验证。训练过程是每个迭代都计算accuracy，测试保持为每500迭代一次。截图分别如下。
原创文章，转载请注明出处 http://blog.csdn.net/wanggao_1990/article/details/76721294。
