http://blog.csdn.net/naaaa/article/details/52118437
分类：版权声明：本文为博主原创文章，未经博主允许不得转载。
1.下载vs2013，安装
2.下载caffe源代码，解压
https://github.com/Microsoft/caffe
将caffe-master/windows下CommonSettings.props.example后面的.example去掉。
3.gpu配置
带gpu的配置：
下载cuda：
https://developer.nvidia.com/cuda-downloads
根据自己的显卡选择下载的版本
双击exe进行安装
下载cudnn：
https://developer.nvidia.com/cudnn
下载v4或v5版本
解压后分别将lib、include、bin文件夹下的文件复制到cuda安装目录下的lib、include、bin文件夹下
（默认为：c:Program FilesNVIDIA GPU Computing ToolkitCUDAvx.x）
无gpu的配置：
记事本打开caffe-master/windows下的CommonSettings.prop修改：
<CpuOnlyBuild>false</CpuOnlyBuild>为<CpuOnlyBuild>true</CpuOnlyBuild>
<UseCuDNN>true</UseCuDNN>为<UseCuDNN>false</UseCuDNN>
编译每个项目前设置：
项目->属性->配置属性->c/c++->预处理器->预处理器定义，添加一项CPU_ONLY
4.生成libcaffe
打开caffe-mastetr/windows下的Caffe.sln
所有项目都要用到libcaffe.lib，所以第一个要编译这个项目。
libcaffe有很多相关的库，工程里已经配置好了可以用NuGet进行下载。
我们需要安装NuGet包管理器并启动它。
下载Nuget：
工具->扩展和更新->联机，搜索NuGet，下载Nuget 包管理
（也可以网站直接下载http://docs.nuget.org/consume/installing-nuget，双击安装）
启动Nuget：
右键工程->启用NuGet程序包还原。
接着生成libcaffe会在caffe-masterBuildx64Debug下生成libcaffe.lib
（后续所有的exe文件也都是生成在这个目录）
5.cifar10训练数据
http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz
下载数据到caffe-masterdatacifar10,解压。
下载的数据为binary格式，需要转换为leveldb。
编译convert_cifar_data项目，生成convert_cifar_data.exe。
打开cmd，cd到caffe-masterBuildx64Debug，输入命令（后续所有命令都是在这个路径下）：
convert_cifar_data.exe ../../../data/cifar10/cifar-10-batches-bin ../../../data/cifar10 leveldb
在caffe-masterdatacifar10文件夹下生成cifar10_test_leveldb和cifar10_train_leveldb文件夹
6.求数据图像均值
编译compute_image_mean项目，生成compute_image_mean.exe
cmd输入命令：
compute_image_mean.exe ../../../data/cifar10/cifar10_train_leveldb ../../../data/cifar10/mean.binaryproto --backend=leveldb
7.训练cifar10模型
打开caffe-masterexamplescifar10cifar10_quick_solver.prototxt文件：
修改路径：examples/cifar10 为 ../../../examples/cifar10（两处）
修改最后一行为：solver_mode: CPU（用gpu就不用改这一项）
打开caffe-masterexamplescifar10 cifar10_quick_train_test.prototxt文件：
修改backend： LMDB 为 backend: LEVELDB（两处）
修改mean_file: "examples/cifar10/mean.binaryproto" 为 mean_file:"../../../data/cifar10/mean.binaryproto"（两处）
修改source: "examples/cifar10/cifar10_train_lmdb" 为 source:"../../../data/cifar10/cifar10_train_leveldb"
修改source: "examples/cifar10/cifar10_test_lmdb" 为 source:"../../../data/cifar10/cifar10_test_leveldb"
编译caffe项目，生成caffe.exe
cmd输入命令：caffe.exe train --solver=../../../examples/cifar10/cifar10_quick_solver.prototxt 训练网络
CPU训练会训练好久，训练完成后caffe-master/examples/cifar10文件夹下生成
cifar10_quick_iter_4000.caffemodel.h5
cifar10_quick_iter_4000.solverstate.h5
8.对图像进行分类
在caffe-masterdatacifar10下新建文本文件synset_words.txt。
文件内容是cifar10里面包含的分类种类，如下：
- airplane
- automobile
- bird
- cat
- deer
- dog
- frog
- horse
- ship
- truck
编译classification项目，生成classification.exe
命令行输入：
classification.exe ../../../examples/cifar10/cifar10_quick.prototxt ../../../examples/cifar10/cifar10_quick_iter_4000.caffemodel.h5 ../../../data/cifar10/mean.binaryproto ../../../data/cifar10/synset_words.txt ../../../examples/images/cat.jpg
就会出来分类结果，我的结果：
- ---------- Prediction for ../../../examples/images/cat.jpg ----------
- 0.9784 - "deer"
- 0.0100 - "cat"
- 0.0094 - "bird"
- 0.0017 - "frog"
- 0.0004 - "dog"
参考博文：http://blog.csdn.net/zb1165048017/article/details/51476516