【Caffe的C++接口使用说明二)】caffe_windows下的C++接口的使用

转载自:http://blog.csdn.net/happynear/article/details/45372231

注意:

       1)已经按照这个配置成功，并且成功测试了windows下caffe的C++接口

       2)这第一篇博客是第一步:重新配置一个windows下的caffe环境

零、最近更新

本篇博客的内容已经全部过时失效，需要caffe windows版的可以直接安装官方教程(https://github.com/BVLC/caffe/tree/windows)安装，也可以按照我的github(https://github.com/happynear/caffe-windows) 中的说明来安装，以后的更新都会在github上进行，本篇博客不会再更新，敬请谅解。

一、准备

　　需要用到的东西我已经帮大家全部准备好了，有2016年2月4日刚刚从caffe官方master分支fork过来的源代码：https://www.github.com/happynear/caffe-windows。有我自己亲手制作的第三方库 http://pan.baidu.com/s/1bSzvKa，在源码的根目录下建立个3rdparty文件夹，把文件解压进去就可以了。 
　　解压好之后，要将3rdparty/bin文件夹添加到环境变量的PATH中，这样才能让程序找到这些第三方库的dll。
　　最后是CUDA和MKL了，MKL是可选的，大家可以去Intel官方申请，如果不用cpu模式的话其实也无所谓，在第三方库包中我还提供了openblas的库文件。 
　　我使用的是CUDA 7.5版，建议大家也安装这个版本。 
　　

二、编译

　　编译非常简单，分为以下几步： 
　　1、双击./src/caffe/proto/extract_proto.bat批处理文件来生成caffe.pb.h和caffe.pb.cc两个c++文件，和caffe_pb2.py这个Python使用的文件。 
　　2、打开./buildVS2013/MainBuilder.sln，打开之后切换编译模式至Release X64模式。如果打开之后显示加载失败，可能你的CUDA版本和我的不一致，我的是CUDA 7.5版，这时就要用记事本打开./buildVS2013目录下各个文件夹内的.vcxproj文件，搜索CUDA 7.5，把这个7.5换成你自己的CUDA版本，就可以正常打开了。 
　　另外，如果你的显卡比较老或者没有显卡，请使用./build_cpu_only/MainBuilder.sln。 
　　3、点上边工具栏中的绿色三角编译吧。编译大概需要半小时左右，请耐心等待。 
　　 
　　如果要用matlab wrapper来提取特征、观察训练好的权重的话呢，只需要把matcaffe项目里面的matlab目录修改成你自己的，然后编译，你就能从matlab/+caffe/private文件夹里面找到一个叫caffe_.mexw64的文件啦。 
　　python的wrapper类似，把pycaffe项目里的python目录改成你自己的（我用的是Anaconda），就能在python/caffe文件夹中生成_caffe.pyd的python dll文件。

三、测试

　　到 http://pan.baidu.com/s/1mgl9ndu 下载已经转换好的MNIST的leveldb数据文件，解压至./examples/mnist文件夹中，然后运行根目录下的run_mnist.bat即可开始训练，训练日志会保存在./log文件夹中，以INFO开头，txt格式的日志文件中。

ps：如果你编译成功的话，不要忘了给我的github工程点个star！ 

四、旧更新日志

2015/02/25 微软制作了一个caffe的windows版，他们更加专业，做出来的solution更加容易维护，第三方库完全由Nuget进行管理，几乎不用配置什么东西，建议大家都去尝试一下：https://github.com/Microsoft/caffe 。 
2015/12/09 我总结了一下比较常见的问题，写在 https://github.com/happynear/caffe-windows/blob/master/FAQ.md 里，而且未来会持续更新，如果碰到问题请先查看这个FAQ列表。 
2015/09/14 Caffe现在支持单机多GPU啦，直接在caffe命令后面加--gpu=all或--gpu=0,1 即可使用多个GPU进行训练。 
如果使用多gpu训练，不要直接点cmd窗口的X，最好使用Ctrl+C来终止程序，不然显卡驱动有时候会崩溃。 
还有如果要在训练中途存一个snapshot，可以用Ctrl+Break。 
因此一个正常的终止训练的操作是： 
先Ctrl+Break保存当前工作状态，然后Ctrl+C终止训练。

2015/08/18 lmdb现在已经可以使用了，不过磁盘必须是NTFS格式的才可以。有需要的请到http://pan.baidu.com/s/1dDHbbgP 下载，并覆盖掉3rdparty/lib 中同名的文件，然后右键各个工程->仅用于项目->仅链接 即可，无需重新生成。 
2015/08/08 有很多人报告（包括我自己）cuDNN v3 的速度比v2慢很多，因此master分支被我回滚回v2版本了，所幸cuDNN向下兼容，所以无需再次下载第三方库。 
2015/08/06 新版caffe-windows上线了，由于vs2012编译速度太慢，从这个版本开始，不再对vs2012提供支持。 
2015/07/07 现在caffe也支持VS2013了，第三方库全部更新至最新版本。请从 http://pan.baidu.com/s/1sj3IvzZhttp://pan.baidu.com/s/1i390tZB下载并替换掉原有的build文件夹，其他步骤与先前版本一致。如果发现bug，烦请反馈给我，留言或在github上提issue均可。 
2015/06/07 添加Insanity Layer（即randomized leaky rectified linear units），我也不知道为什么叫Insanity。。论文上说效果比PReLU还好些。 
2015/06/05 将Caffe版本更新至6月5日的master分支，与上一版最大的不同在于matlab接口更加丰富，cudnn更新至v2版，所以要重新下载第三方库。 
2015/06/05 Batch Normalization更新至新版，现在的默认mnist测试文件即为使用了Batch Normalization层的版本。 
2015/05/29 发现上个版本的lmdb.lib使用了别人在vs2013下编译的版本，现改为vs2012版； 
2015/05/29 添加了提取任意层特征的matlab接口，使用方法：

OUTPUT = caffe('get_features', INPUT, 'layername1,layername2...');
     
     
     
     

      
      
      
      
1
     
     
     
     
     
     
     
     

      
      
      
      
1
     
     
     
     

例如：f = caffe('get_features', H, 'conv51,pool5'); 返回的f为2*1的cell类型，里面记录了层的名称和该层的特征。 
现在有了更好的方法来获得每层特征，该函数不再更新。请参见新版matlab

第二篇博客:http://blog.csdn.net/sinat_30071459/article/details/50974695

              1)在看完第一篇博客之后，说明的你windows下的caffe环境已经配置完成

              2)现在根据下面的这个博客修改caffeLib文件

本文假设你已经安装CUDA，CUDA版本是7.5。

1.编译caffe的Windows版本

happynear的博客已经介绍了如何在windows下编译caffe，这里把我自己编译的过程记录下来，也算是做做笔记，方便以后查看。

1.1下载caffe-windows-master

下载地址： caffe-windows-master

1.2下载第三方库

下载地址： 3rdparty

1.3 解压

解压第三方库3rdparty，解压到caffe-windows-master中的3rdparty文件夹中，即caffe-windows-master/3rdparty中的内容为：

！！！然后，需要将bin文件夹加入环境变量中。

   当然，如果嫌麻烦，下载我解压好的文件就行，跳过以上过程，下载该文件，下载地址： 点击这里。

1.4 开始编译

双击caffe-windows-master\src\caffe\proto\extract_proto.bat，生成caffe.pb.h和caffe.pb.cc两个c++文件，和caffe_pb2.py这个python使用的文件。然后，用vs2013打开./buildVS2013/MainBuilder.sln，打开之后切换编译模式至Release X64模式。如果你的CUDA版本不是7.5，打开之后可能显示加载失败，这时就要用记事本打开./buildVS2013/MSVC/MainBuilder.vcxproj，搜索CUDA 7.5，把这个7.5换成你自己的CUDA版本，就可以正常打开了。

 右键caffelib项目，配置属性——>常规，将配置类型修改为应用程序(.exe)，目标文件扩展名修改为.exe；接着：

C/C++ ——> 常规，附加包含目录修改如下（CUDA路径按自己的修改）：

 ../../3rdparty/include
 ../../src
 ../../include
 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\include

链接器 ——> 常规，附加库目录修改如下（CUDA路径按自己的修改）：

 ../../3rdparty/lib

 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\lib\x64

链接器——>输入；将cudnn64_65.lib修改成cudnn.lib

如果需要matlab和python接口，可参考如下设置(路径按自己的设置)：

Matcaffe项目：

附加包含目录：

 ../../3rdparty/include
 ../../src
 ../../include
 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\include
 D:\Program Files\MATLAB\R2014a\extern\include

附加库目录：

 ../../3rdparty/lib
 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\lib\x64
 D:\Program Files\MATLAB\R2014a\extern\lib\win64\microsoft

Pycaffe项目：

附加包含目录：

 ../../3rdparty/include
 ../../src
 ../../include
 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\include
 D:\Python27\include
 D:\Python27\Lib\site-packages\numpy\core\include

附加库目录：

 ../../3rdparty/lib
 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\lib\x64
 D:\Python27\libs

2.修改classification.cpp代码

右键caffelib，添加新建项classification.cpp，classification.cpp代码可参考如下：

该代码逐张读取文件夹下的图像并将分类结果显示在图像左上角，空格下一张。

结果显示在左上角，有英文和中文两种标签可选，如果显示中文，需要使用Freetype库，请自行百度。

 #include
 #include
 #include
 #include
 #include
 #include
 #include
 #include
 #include
 #include
 #include
 #include "CvxText.h" //英文标签去掉该头文件

 using namespace caffe;  // NOLINT(build/namespaces)
 using std::string;
 /* Pair (label, confidence) representing a prediction. */
 typedef std::pair Prediction;

 class Classifier {
 public:
     Classifier(const string& model_file,
         const string& trained_file,
         const string& mean_file,
         const string& label_file);

     std::vector Classify(const cv::Mat& img, int N = 5);

 private:
     void SetMean(const string& mean_file);

     std::vector Predict(const cv::Mat& img);

     void WrapInputLayer(std::vector* input_channels);

     void Preprocess(const cv::Mat& img,
         std::vector* input_channels);

 private:
     shared_ptr > net_;
     cv::Size input_geometry_;
     int num_channels_;
     cv::Mat mean_;
     std::vector labels_;
 };

 Classifier::Classifier(const string& model_file,
     const string& trained_file,
     const string& mean_file,
     const string& label_file) {
 #ifdef CPU_ONLY
     Caffe::set_mode(Caffe::CPU);
 #else
     Caffe::set_mode(Caffe::GPU);
 #endif

     /* Load the network. */
     net_.reset(new Net(model_file, TEST));
     net_->CopyTrainedLayersFrom(trained_file);

     CHECK_EQ(net_->num_inputs(), 1) << "Network should have exactly one input.";
     CHECK_EQ(net_->num_outputs(), 1) << "Network should have exactly one output.";

     Blob* input_layer = net_->input_blobs()[0];
     num_channels_ = input_layer->channels();
     CHECK(num_channels_ == 3 || num_channels_ == 1)
         << "Input layer should have 1 or 3 channels.";
     input_geometry_ = cv::Size(input_layer->width(), input_layer->height());

     /* Load the binaryproto mean file. */
     SetMean(mean_file);

     /* Load labels. */
     std::ifstream labels(label_file);
     CHECK(labels) << "Unable to open labels file " << label_file;

     string line;
     while (std::getline(labels, line))
         labels_.push_back(string(line));

     Blob* output_layer = net_->output_blobs()[0];
     CHECK_EQ(labels_.size(), output_layer->channels())
         << "Number of labels is different from the output layer dimension.";
 }

 static bool PairCompare(const std::pair& lhs,
     const std::pair& rhs) {
     return lhs.first > rhs.first;
 }

 /* Return the indices of the top N values of vector v. */
 static std::vector Argmax(const std::vector& v, int N) {
     std::vector > pairs;
     for (size_t i = 0; i < v.size(); ++i)
         pairs.push_back(std::make_pair(v[i], i));
     std::partial_sort(pairs.begin(), pairs.begin() + N, pairs.end(), PairCompare);

     std::vector result;
     for (int i = 0; i < N; ++i)
         result.push_back(pairs[i].second);
     return result;
 }

 /* Return the top N predictions. */
 std::vector Classifier::Classify(const cv::Mat& img, int N) {
     std::vector output = Predict(img);

     std::vector maxN = Argmax(output, N);
     std::vector predictions;
     for (int i = 0; i < N; ++i) {
         int idx = maxN[i];
         predictions.push_back(std::make_pair(labels_[idx], output[idx]));
     }

     return predictions;
 }

 /* Load the mean file in binaryproto format. */
 void Classifier::SetMean(const string& mean_file) {
     BlobProto blob_proto;
     ReadProtoFromBinaryFileOrDie(mean_file.c_str(), &blob_proto);

     /* Convert from BlobProto to Blob */
     Blob mean_blob;
     mean_blob.FromProto(blob_proto);
     CHECK_EQ(mean_blob.channels(), num_channels_)
         << "Number of channels of mean file doesn't match input layer.";

     /* The format of the mean file is planar 32-bit float BGR or grayscale. */
     std::vector channels;
     float* data = mean_blob.mutable_cpu_data();
     for (int i = 0; i < num_channels_; ++i) {
         /* Extract an individual channel. */
         cv::Mat channel(mean_blob.height(), mean_blob.width(), CV_32FC1, data);
         channels.push_back(channel);
         data += mean_blob.height() * mean_blob.width();
     }

     /* Merge the separate channels into a single image. */
     cv::Mat mean;
     cv::merge(channels, mean);
     /* Compute the global mean pixel value and create a mean image
     * filled with this value. */
     cv::Scalar channel_mean = cv::mean(mean);
     mean_ = cv::Mat(input_geometry_, mean.type(), channel_mean);
 }
 std::vector Classifier::Predict(const cv::Mat& img) {
     Blob* input_layer = net_->input_blobs()[0];
     input_layer->Reshape(1, num_channels_,
         input_geometry_.height, input_geometry_.width);
     /* Forward dimension change to all layers. */
     net_->Reshape();
     std::vector input_channels;
     WrapInputLayer(&input_channels);

     Preprocess(img, &input_channels);

     net_->ForwardPrefilled();

     /* Copy the output layer to a std::vector */
     Blob* output_layer = net_->output_blobs()[0];
     const float* begin = output_layer->cpu_data();
     const float* end = begin + output_layer->channels();
     return std::vector(begin, end);
 }

 /* Wrap the input layer of the network in separate cv::Mat objects
 * (one per channel). This way we save one memcpy operation and we
 * don't need to rely on cudaMemcpy2D. The last preprocessing
 * operation will write the separate channels directly to the input
 * layer. */
 void Classifier::WrapInputLayer(std::vector* input_channels) {
     Blob* input_layer = net_->input_blobs()[0];

     int width = input_layer->width();
     int height = input_layer->height();
     float* input_data = input_layer->mutable_cpu_data();
     for (int i = 0; i < input_layer->channels(); ++i) {
         cv::Mat channel(height, width, CV_32FC1, input_data);
         input_channels->push_back(channel);
         input_data += width * height;
     }
 }

 void Classifier::Preprocess(const cv::Mat& img,
     std::vector* input_channels) {
     /* Convert the input image to the input image format of the network. */
     cv::Mat sample;
     if (img.channels() == 3 && num_channels_ == 1)
         cv::cvtColor(img, sample, CV_BGR2GRAY);
     else if (img.channels() == 4 && num_channels_ == 1)
         cv::cvtColor(img, sample, CV_BGRA2GRAY);
     else if (img.channels() == 4 && num_channels_ == 3)
         cv::cvtColor(img, sample, CV_BGRA2BGR);
     else if (img.channels() == 1 && num_channels_ == 3)
         cv::cvtColor(img, sample, CV_GRAY2BGR);
     else
         sample = img;

     cv::Mat sample_resized;
     if (sample.size() != input_geometry_)
         cv::resize(sample, sample_resized, input_geometry_);
     else
         sample_resized = sample;

     cv::Mat sample_float;
     if (num_channels_ == 3)
         sample_resized.convertTo(sample_float, CV_32FC3);
     else
         sample_resized.convertTo(sample_float, CV_32FC1);

     cv::Mat sample_normalized;
     cv::subtract(sample_float, mean_, sample_normalized);

     /* This operation will write the separate BGR planes directly to the
     * input layer of the network because it is wrapped by the cv::Mat
     * objects in input_channels. */
     cv::split(sample_normalized, *input_channels);

     CHECK(reinterpret_cast(input_channels->at(0).data)
         == net_->input_blobs()[0]->cpu_data())
         << "Input channels are not wrapping the input layer of the network.";
 }
 //获取路径path下的文件，并保存在files容器中
 void getFiles(string path, vector& files)
 {
     //文件句柄
     long   hFile = 0;
     //文件信息
     struct _finddata_t fileinfo;
     string p;
     if ((hFile = _findfirst(p.assign(path).append("\\*").c_str(), &fileinfo)) != -1)
     {
         do
         {
             if ((fileinfo.attrib &  _A_SUBDIR))
             {
                 if (strcmp(fileinfo.name, ".") != 0 && strcmp(fileinfo.name, "..") != 0)
                     getFiles(p.assign(path).append("\\").append(fileinfo.name), files);
             }
             else
             {
                 files.push_back(p.assign(path).append("\\").append(fileinfo.name));
             }
         } while (_findnext(hFile, &fileinfo) == 0);
         _findclose(hFile);
     }
 }

 int main(int argc, char** argv) {
     //caffe的准备工作
 #ifdef _MSC_VER
 #pragma comment( linker, "/subsystem:\"windows\" /entry:\"mainCRTStartup\"" )
 #endif
     //::google::InitGoogleLogging(argv[0]);
     string model_file("../../model/deploy.prototxt");
     string trained_file("../../model/type.caffemodel");
     string mean_file("../../model/type_mean.binaryproto");
     string label_file("../../model/labels.txt");
     string picture_path("../../type");

     Classifier classifier(model_file, trained_file, mean_file, label_file);
     vector files;
     getFiles(picture_path, files);


     for (int i = 0; i < files.size(); i++)
     {
         cv::Mat img = cv::imread(files[i], -1);
         cv::Mat img2;

         std::vector predictions = classifier.Classify(img);
         Prediction p = predictions[0];

         CvSize sz;
         sz.width = img.cols;
         sz.height = img.rows;
         float scal = 0;
         scal = sz.width > sz.height ? (300.0 / (float)sz.height) : (300.0 / (float)sz.width);
         sz.width *= scal;
         sz.height *= scal;
         resize(img, img2, sz, 0, 0, CV_INTER_LINEAR);
         IplImage* show = cvCreateImage(sz, IPL_DEPTH_8U, 3);

         string text = p.first;
         char buff[20];
         _gcvt(p.second, 4, buff);
         text = text + ":" + buff;

         /************************输出中文(用到Freetype库)****************************/
         /*CvxText mytext("../../STZHONGS.TTF");// 字体文件
         const char *msg = text.c_str();
         CvScalar size;
         size.val[0] = 26;
         size.val[1] = 0.5;
         size.val[2] = 0.1;
         size.val[3] = 0;
         mytext.setFont(NULL,&size, NULL, NULL);   // 设置字体大小
         mytext.putText(&IplImage(img2), msg, cvPoint(10, 30), cvScalar(0, 0, 255, NULL));
         //输出图像名
         text = files[i].substr(files[i].find_last_of("\\")+1);
         msg = text.c_str();
         mytext.putText(&IplImage(img2), msg, cvPoint(10, 55), cvScalar(0, 0, 255, NULL));
         cvCopy(&(IplImage)img2, show);*/
         /*******************************************************************************/

         /***************************输出英文标签*****************************************/
         cvCopy(&(IplImage)img2, show);
         CvFont font;
         cvInitFont(&font, CV_FONT_HERSHEY_COMPLEX, 1.0, 1.0, 0, 2, 8);  //初始化字体
         cvPutText(show, text.c_str(), cvPoint(10, 30), &font, cvScalar(0, 0, 255, NULL));

         text = files[i].substr(files[i].find_last_of("\\")+1);
         cvPutText(show, text.c_str(), cvPoint(10, 55), &font, cvScalar(0, 0, 255, NULL));
         /**********************************************************************************/

         cvNamedWindow("结果展示");
         cvShowImage("结果展示", show);
         int c = cvWaitKey();
         cvDestroyWindow("结果展示");
         cvReleaseImage(&show);

         if (c == 27)
         {
             return 0;
         }
     }
     return 0;
 }

3.生成

设置好之后，右键caffelib，生成。

4.结果

左边是中文标签，右边是英文标签。

最后，可以删除那些不需要的文件或文件夹，如我的caffe-windows-master内只留下：

也可以下载我封装好的代码，可通过链接下载：http://download.csdn.net/detail/sinat_30071459/9568131  是一个txt文件，因为csdn上传限制，代码上传到了百度云，txt里面有百度云链接。下载解压后将Classification\CLassificationDLL\bin加入环境变量，然后加入你的模型文件即可。

第三篇博客:http://www.jianshu.com/p/c43a0a4bb603

               1)根据第二篇博客修改完caffeLib之后，如果要进行分类任务的话，需要进行下面的配置

               2)下载一个训练好的caffemodel，或者子集训练一个caffemodel

caffe windows的配置安装

这里主要参考了如何快糙好猛地在windows下编译caffe及并使用其matlab和python接口，下面详述本人的安装过程。

准备

提前说明下，本人的安装环境是windows+vs2013+cuda7.5。首先是happynear准备好的caffe源码https://www.github.com/happynear/caffe-windows。
其次是happynear制作的第三方库http://pan.baidu.com/s/1bSzvKa。
将第三方库中的内容解压至caffe源码中的3rdparty文件夹中，并将3rdparty/bin文件夹添加至环境变量path中，方便程序找到第三方库的dll。

编译

进入caffe-windows-master目录。

1. 双击./src/caffe/proto/extract_proto.bat 批处理文件来生成caffe.pb.h caffe.pb.cc 两个c++文件和caffe_pb2.py。
2. 打开./buildVS2013/MainBuilder.sln，打开之后切换编译模式至Release X64模式。如果打开之后显示加载失败，可能你的CUDA版本和我的不一致，我的是CUDA 7.5版，这时就要用记事本打开./buildVS2013目录下各个文件夹内的.vcxproj文件，搜索CUDA 7.5，把这个7.5换成你自己的CUDA版本，就可以正常打开了。另外，如果你的显卡比较老或者没有显卡，请使用./build_cpu_only/MainBuilder.sln。(工程打开后，默认启动工程是caffe，也就是我们需要编译的工程)
3. 点击编译按钮开始编译吧！这个过程大概半个小时左右。另外，编辑即将结束前可能出现弹窗提示未能生成编译信息，这个没有多大关系，只需要设置下工程属性即可，这里不多说可以直接搜下，因为这时在目录下已经有bin文件夹，其中生成了caffe.exe。
4. 运行mnist demo时，首先得下好mnist leveldb，然后到解压至.\example\mnist\下，运行根目录下的run_mnist.bat，运行结束后，可以在.\log中找到刚才运行的日志。

matlab wrapper编译

所谓的matlab wrapper编译，其实就是matcaffe这个工程的编译。
首先，将该工程设置为启动项目，右击属性。

• C/C++ ->常规->附加包含目录中修改其中的matlab的include改为自己的，如 C:\Program Files\MATLAB\MATLAB Production Server\R2015a\extern\include。
• 链接器 ->常规 ->附加库目录中修改其中matlab改为自己的，如 C:\Program Files\MATLAB\MATLAB Production Server\R2015a\extern\lib\win64\microsoft。
• 链接器 ->输入 ->附加依赖项，检查有没有libmex.lib; libmat.lib; libmx.lib，没有的话，自己加上。
  配置完成后，编译就可以了，最后会在.\matlab+caffe\private目录下生成caffe_.mexw64，这个就是matlab调用caffe的wrapper。
  使用caffe中matlab的demo时，打开matlab, 进入.\matlab\demo文件夹，参考classification_demo.m使用这个wrapper。另外说明一点，之前我使用的matlab2010b在调用caffe.Net时几乎百分百出现matlab崩溃，开始一直以为是我编译生成的mexw64有问题，后来我重新安装了matlab2015a这个问题就没有发生了。

classificatin.cpp的编译

classification.cpp是在.\example\classification目录中的。在windows中用VS编译还是挺麻烦的，所以在这里也记录一下，关键还是其中的依赖库的配置。这里因为是自己不断实验，不断看网上仅有的例子摸索出来的，所以方法有点笨拙。
我的方法是，在caffe工程中，新建classification.cpp，将那个classification.cpp复制到这里，然后排除caffe.cpp，编译。这样就省去了环境配置的麻烦，但缺点是生成的exe仍在.\bin中，但文件名为caffe，把我之前编译生成的caffe.exe覆盖了。
使用该classification.cpp生成的.exe跑demo时，首先得下好下面的文件：
bvlc_reference_caffenet.caffemodel
imagenet_mean.binaryproto和synset_words.txt
上面三个文件我都将它们放在了.\models\bvlc_reference_caffenet文件夹中，所以最后在cmd中的命令句是

.bin\caffe.exe 
.\models\bvlc_reference_caffenet\deploy.prototxt
.\models\bvlc_reference_caffenet\bvlc_reference_caffenet.caffemodel
.\models\bvlc_reference_caffenet\imagenet_mean.binaryproto
.\models\bvlc_reference_caffenet\synset_words.txt
.\examples\images\cat.jpg
//后面5个均为caffe.exe的参数

如此完成了该classification的demo。

此时，拷贝下面的代码，然后编译就可以了:

 

#include 
#ifdef USE_OPENCV
#include 
#include 
#include 
#endif  // USE_OPENCV
#include 
#include 
#include 
#include 
#include 
#include 
#include 
#ifdef USE_OPENCV
using namespace caffe;  // NOLINT(build/namespaces)
using std::string;

/* Pair (label, confidence) representing a prediction. */
typedef std::pair Prediction;

class Classifier {
public:
	Classifier(const string& model_file,
		const string& trained_file,
		const string& mean_file,
		const string& label_file);

	std::vector Classify(const cv::Mat& img, int N = 5);

private:
	void SetMean(const string& mean_file);

	std::vector Predict(const cv::Mat& img);

	void WrapInputLayer(std::vector* input_channels);

	void Preprocess(const cv::Mat& img,
		std::vector* input_channels);

private:
	shared_ptr > net_;
	cv::Size input_geometry_;
	int num_channels_;
	cv::Mat mean_;
	std::vector labels_;
};

Classifier::Classifier(const string& model_file,
	const string& trained_file,
	const string& mean_file,
	const string& label_file) {
#ifdef CPU_ONLY
	Caffe::set_mode(Caffe::CPU);
#else
	Caffe::set_mode(Caffe::GPU);
#endif

	/* Load the network. */
	net_.reset(new Net(model_file, TEST));
	net_->CopyTrainedLayersFrom(trained_file);

	CHECK_EQ(net_->num_inputs(), 1) << "Network should have exactly one input.";
	CHECK_EQ(net_->num_outputs(), 1) << "Network should have exactly one output.";

	Blob* input_layer = net_->input_blobs()[0];
	num_channels_ = input_layer->channels();
	CHECK(num_channels_ == 3 || num_channels_ == 1)
		<< "Input layer should have 1 or 3 channels.";
	input_geometry_ = cv::Size(input_layer->width(), input_layer->height());

	/* Load the binaryproto mean file. */
	SetMean(mean_file);

	/* Load labels. */
	std::ifstream labels(label_file.c_str());
	CHECK(labels) << "Unable to open labels file " << label_file;
	string line;
	while (std::getline(labels, line))
		labels_.push_back(string(line));

	Blob* output_layer = net_->output_blobs()[0];
	CHECK_EQ(labels_.size(), output_layer->channels())
		<< "Number of labels is different from the output layer dimension.";
}

static bool PairCompare(const std::pair& lhs,
	const std::pair& rhs) {
	return lhs.first > rhs.first;
}

/* Return the indices of the top N values of vector v. */
static std::vector Argmax(const std::vector& v, int N) {
	std::vector > pairs;
	for (size_t i = 0; i < v.size(); ++i)
		pairs.push_back(std::make_pair(v[i], i));
	std::partial_sort(pairs.begin(), pairs.begin() + N, pairs.end(), PairCompare);

	std::vector result;
	for (int i = 0; i < N; ++i)
		result.push_back(pairs[i].second);
	return result;
}

/* Return the top N predictions. */
std::vector Classifier::Classify(const cv::Mat& img, int N) {
	std::vector output = Predict(img);

	N = std::min(labels_.size(), N);
	std::vector maxN = Argmax(output, N);
	std::vector predictions;
	for (int i = 0; i < N; ++i) {
		int idx = maxN[i];
		predictions.push_back(std::make_pair(labels_[idx], output[idx]));
	}

	return predictions;
}

/* Load the mean file in binaryproto format. */
void Classifier::SetMean(const string& mean_file) {
	BlobProto blob_proto;
	ReadProtoFromBinaryFileOrDie(mean_file.c_str(), &blob_proto);

	/* Convert from BlobProto to Blob */
	Blob mean_blob;
	mean_blob.FromProto(blob_proto);
	CHECK_EQ(mean_blob.channels(), num_channels_)
		<< "Number of channels of mean file doesn't match input layer.";

	/* The format of the mean file is planar 32-bit float BGR or grayscale. */
	std::vector channels;
	float* data = mean_blob.mutable_cpu_data();
	for (int i = 0; i < num_channels_; ++i) {
		/* Extract an individual channel. */
		cv::Mat channel(mean_blob.height(), mean_blob.width(), CV_32FC1, data);
		channels.push_back(channel);
		data += mean_blob.height() * mean_blob.width();
	}

	/* Merge the separate channels into a single image. */
	cv::Mat mean;
	cv::merge(channels, mean);

	/* Compute the global mean pixel value and create a mean image
	* filled with this value. */
	cv::Scalar channel_mean = cv::mean(mean);
	mean_ = cv::Mat(input_geometry_, mean.type(), channel_mean);
}

std::vector Classifier::Predict(const cv::Mat& img) {
	Blob* input_layer = net_->input_blobs()[0];
	input_layer->Reshape(1, num_channels_,
		input_geometry_.height, input_geometry_.width);
	/* Forward dimension change to all layers. */
	net_->Reshape();

	std::vector input_channels;
	WrapInputLayer(&input_channels);

	Preprocess(img, &input_channels);

	net_->ForwardPrefilled();

	/* Copy the output layer to a std::vector */
	Blob* output_layer = net_->output_blobs()[0];
	const float* begin = output_layer->cpu_data();
	const float* end = begin + output_layer->channels();
	return std::vector(begin, end);
}

/* Wrap the input layer of the network in separate cv::Mat objects
* (one per channel). This way we save one memcpy operation and we
* don't need to rely on cudaMemcpy2D. The last preprocessing
* operation will write the separate channels directly to the input
* layer. */
void Classifier::WrapInputLayer(std::vector* input_channels) {
	Blob* input_layer = net_->input_blobs()[0];

	int width = input_layer->width();
	int height = input_layer->height();
	float* input_data = input_layer->mutable_cpu_data();
	for (int i = 0; i < input_layer->channels(); ++i) {
		cv::Mat channel(height, width, CV_32FC1, input_data);
		input_channels->push_back(channel);
		input_data += width * height;
	}
}

void Classifier::Preprocess(const cv::Mat& img,
	std::vector* input_channels) {
	/* Convert the input image to the input image format of the network. */
	cv::Mat sample;
	if (img.channels() == 3 && num_channels_ == 1)
		cv::cvtColor(img, sample, CV_BGR2GRAY);
	else if (img.channels() == 4 && num_channels_ == 1)
		cv::cvtColor(img, sample, CV_BGRA2GRAY);
	else if (img.channels() == 4 && num_channels_ == 3)
		cv::cvtColor(img, sample, CV_BGRA2BGR);
	else if (img.channels() == 1 && num_channels_ == 3)
		cv::cvtColor(img, sample, CV_GRAY2BGR);
	else
		sample = img;

	cv::Mat sample_resized;
	if (sample.size() != input_geometry_)
		cv::resize(sample, sample_resized, input_geometry_);
	else
		sample_resized = sample;

	cv::Mat sample_float;
	if (num_channels_ == 3)
		sample_resized.convertTo(sample_float, CV_32FC3);
	else
		sample_resized.convertTo(sample_float, CV_32FC1);

	cv::Mat sample_normalized;
	cv::subtract(sample_float, mean_, sample_normalized);

	/* This operation will write the separate BGR planes directly to the
	* input layer of the network because it is wrapped by the cv::Mat
	* objects in input_channels. */
	cv::split(sample_normalized, *input_channels);

	CHECK(reinterpret_cast(input_channels->at(0).data)
		== net_->input_blobs()[0]->cpu_data())
		<< "Input channels are not wrapping the input layer of the network.";
}

int main(int argc, char** argv) 
{
	/*if (argc != 6) 
	{
		std::cerr << "Usage: " << argv[0]<< " deploy.prototxt network.caffemodel"<< " mean.binaryproto labels.txt img.jpg" << std::endl;
		std::system("pause");
		return 1;
	}*/

	//caffe::GlobalInit(&argc, &argv);

	//string model_file   = argv[1];
	//string trained_file = argv[2];
	//string mean_file    = argv[3];
	//string label_file   = argv[4];

	string model_file   = "F:\\caffeT\\caffe-windows-master\\models\\bvlc_reference_caffenet\\deploy.prototxt";
	string trained_file = "F:\\caffeT\\caffe-windows-master\\models\\bvlc_reference_caffenet\\bvlc_reference_caffenet.caffemodel";
	string mean_file    = "F:\\caffeT\\caffe-windows-master\\models\\bvlc_reference_caffenet\\imagenet_mean.binaryproto";
	string label_file   = "F:\\caffeT\\caffe-windows-master\\models\\bvlc_reference_caffenet\\synset_words.txt";

	Classifier classifier(model_file, trained_file, mean_file, label_file);

	string file = "F:\\caffeT\\caffe-windows-master\\examples\\images\\cat.jpg";

	std::cout << "---------- Prediction for "<< file << " ----------" << std::endl;

	cv::Mat img = cv::imread(file, -1);
	CHECK(!img.empty()) << "Unable to decode image " << file;
	std::vector predictions = classifier.Classify(img);

	/* Print the top N predictions. */
	for (size_t i = 0; i < predictions.size(); ++i) 
	{
		Prediction p = predictions[i];
		std::cout << std::fixed << std::setprecision(4) << p.second << " - \""<< p.first << "\"" << std::endl;
		std::system("pause");
	}
}
#else
int main(int argc, char** argv) 
{
	LOG(FATAL) << "This example requires OpenCV; compile with USE_OPENCV.";
	std::system("pause");
}
#endif  // USE_OPENCV

运行结构如下所示,由于编译的文件比较多，所以时间挺长(CPU，3分钟之内):