【Caffe-CPU】Caffe+Python+CPU+Win10+VS2015+Mnist 配置
1、安装VS2015
2、安装cmake
版本>=3.4，cmake从此处下载 https://cmake.org/download/，
下载 cmake-3.13.0-rc3-win64-x64.msi 后，点击安装，并将安装目录C:\Program Files\CMake\bin 添加到系统环境变量中，在终端输入
cmake --version
可显示cmake版本
3、安装git
从此处下载 https://www.git-scm.com/downloads ,安装完后将路径添加到系统环境变量中，然后在终端输入
git --version
可显示git版本
4、 下载caffe
移动到需要安装caffe的目录，依次执行以下命令，将会出错，需要对 build_win.cmd 进行修改
git clone https://github.com/BVLC/caffe.git
cd caffe
git checkout windows
scripts\build_win.cmd
5、 设置build_win.cmd
修改scripts\build_win.cmd文件
1）设置Anaconda的安装路径
2）设置WITH_NINJA=0，CPU_ONLY=1，PYTHON_VERSION=3，BUILD_PYTHON=1
改动的主要有以下几点：
- 根据自己安装的VS版本，修改对应的VS版本号，如VS2015对应VERSION=14
- 将NINJA设为0，这里不需要用到它
- 将CPU_ONLY设为1，因为没有用到GPU
- 将BUILD_PYTHON设为1，只支持python 2.7和3.5 版本，anaconda默认安装的是python3.7版本，因此需要降级，方法为在命令终端输入
conda install python=3.5
以上参考
6、编译caffe
删除build文件夹，重新执行以下命令
scripts\build_win.cmd
发现还是报错，一个名为 libraries_v140_x64_py35_1.1.0.tar.bz2 的依赖包无法下载成功。可以从我的百度网盘下载 链接 提取码：sx14， 将其放在以下目录 C:\Users\wt\.caffe\dependencies\download
修改完成后继续执行 build_win.cmd ,将开始编译
编译会进行几分钟，成功后会输出
此时会在 caffe/build 路径下生成 Caffe.sln。
7、生成caffe.exe
用 VS2015 打开生成的 Caffe.sln，将模式改为 Release x64，然后生成解决方案，生成成功后，显示
此时会在 caffe/build/tools/Release 路径下生成 caffe.exe、convert_imageset.exe等工具，如
8、配置python接口
经过上述步骤，当在 python 中 import caffe 时，会提示 importError: No moudle named ‘caffe’，说明python接口还需要配置。
首先，将当前工程中的 caffe/python/caffe 文件夹复制到
C:\ProgramData\Anaconda3\Lib\site-packages 目录，再次import caffe，还是报错，
于是安装 scikit-image包
conda install --yes scikit-image
再次import caffe，还是报错 importError: No moudle named ‘google’，说明缺失google包，在site-packages中查看确定没有google包，于是要安装该包，方法如下，在终端中移动到python安装目录，然后用pip安装
cd C:\ProgramDate\Anaconda3
pip install protobuf
安装完成后，再次import caffe就不再报错，表明python接口配置成功
实际情况中，可能还会有其他依赖包缺失，根据情况安装即可
以上参考 ： https://blog.csdn.net/weixin_37881528/article/details/79038165
9、下载mnist数据集
首先从 http://yann.lecun.com/exdb/mnist/ 下载四个mnist数据集文件，在caffe/examples/mnist路径下建立mycaffe-mnist-test文件夹，并将下载的四个文件放到该目录，分别解压得到以下文件
10、转换LMDB文件
利用编译生成的convert_imageset.exe工具将MNIST数据集生成lmdb文件，在 mycaffe-mnist-test文件夹下创建 convert-mnist-data-train.bat 文件，并添加以下内容
..\..\..\Build\examples\mnist\Release\convert_mnist_data.exe --backend=lmdb train-images.idx3-ubyte train-labels.idx1-ubyte mnist_train_lmdb
pause
注意这里 convert_mnist_data.exe 的路径可能有所不同，通过搜索，它在哪里就填哪个路径
添加完成后，保存，然后双击运行，就会生成训练集的lmdb文件。
同理，创建 convert-mnist-data-test.bat 文件，并添加以下内容
..\..\..\Build\examples\mnist\Release\convert_mnist_data.exe --backend=lmdb t10k-images.idx3-ubyte t10k-labels.idx1-ubyte mnist_test_lmdb
pause
添加完成后，保存，然后双击运行，就会生成测试集的lmdb文件。
如图所示
11、配置lenet_solver.prototxt文件
在examples/mnist目录下打开lenet_solver.prototxt文件进行配置，将最后一行的solver_mode改为CPU
12、配置lenet_train_test.prototxt文件
在examples/mnist目录下打开文件 lenet_train_test.prototxt 进行配置，指定其中训练集和测试集的lmdb文件路径等参数
13、建立训练脚本
返回到caffe目录，建立一个mnist-run.bat文件并添加以下内容
Build\tools\Release\caffe.exe train --solver=examples\mnist\lenet_solver.prototxt
pause
添加后保存，并双击运行，即可开始进入训练
训练完成后，将在caffe/examples/mnist 目录下生成训练好的模型文件
以上参考
https://blog.csdn.net/qxconverse/article/details/76376718
https://blog.csdn.net/kele_imon/article/details/78809784
https://blog.csdn.net/kaychangeek/article/details/79885494
14、caffenet的C++图像分类测试
通过上述步骤编译完成了caffe后，就可以对其c++图像分类的API接口进行测试了。
编译成功后，将在 caffe/build/examples 中生成一个cpp_classification ，这是一个C++的图像分类接口，进入该路径 caffe/build/examples/cpp_classification/Release 目录中，将有个 classification.exe 文件，这就是caffe编译好的可执行文件。
在该目录下建立一个models文件夹，并在该文件夹中放入以下文件
其中：
squeezenet_v1.1.caffemodel ：squeezenet在imagenet数据集上训练好的模型文件
deploy.prototxt : squeezenet的网络结构文件
imagenet_mean.binaryproto ：imagenet数据集的均值文件
synset_words.txt ：imagenet数据集的类别文件
jpg : 测试图片
定位到Release路径，执行以下命令
classification.exe models/deploy.prototxt models/squeezenet_v1.1.caffemodel models/imagenet_mean.binaryproto models/synset_words.txt models/cat.gray.jpg
将输出测试结果
