window10 VS2015 C++ 使用 caffe 模型

C++ 使用 caffemodel

首先列出了一些参照的文章，但是自己并没有完全按照这些配置，但是有重要参考价值。
重要参照link（优先级从上到下）:
1. vs2013创建caffe工程
2. caffe-Windows 添加工程-以classification为例，这里面还有其他几个有用的链接。

正式开始配置环境

1. 已经配置好了caffe的基本环境，包括使用python的“import caffe”不出错，可按照https://blog.csdn.net/woha1yo/article/details/117473594配置 Debug和Release环境，并且libraries_v140_x64_py35_1.1.0.tar.bz2已经解压至对应目录“C:\Users\MWG.caffe\dependencies\libraries_v140_x64_py35_1.1.0\libraries”，后续会用到，下载地址为https://pan.baidu.com/s/1qYdrSE4#list/path=%2F。

2. 使用VS2015新建空项目“cpp_classification”；拷贝文件cpp_classification.cpp（地址caffe-window/examples/cpp_classification目录下）至VS2015新建的目录下；右键源文件添加现有项，选中“classification.cpp”。

   
   
   

3. 调整配置为“Realease、x64”
   

4. 配置包含目录（include），库目录（lib）和附加依赖项（xxx.lib）

• 包含目录，VC++目录 -> 包含目录

• 添加caffe-window的包含目录

  D:\caffe-windows\include
  

• 使用protoc.exe生成，并拷贝到对应目录下, 使用目录

  C:\Users\MWG\.caffe\dependencies\libraries_v140_x64_py35_1.1.0\libraries\bin
  

  下的 protoc.exe，将其拷贝至目录

  D:\caffe-windows\src\caffe\proto
  

  并新建makefile.bat文件，内容为

    protoc.exe caffe.proto --cpp_out=.\
    pause
  

  保存之后，直接运行，该bat会将caffe.proto生成 caffe.pb.cc和caffe.pb.h。注意protoc.exe的版本不能太高，否则会出错，最好就是编译caffe时的版本最好，否则后面的libboost_xxx的版本对应不上。
  之后将生成的caffe.pb.cc和caffe.pb.h拷贝至目录（D:\caffe-windows\include\caffe\proto）下：
  

• 添加boost的包含目录

  C:\Users\MWG\.caffe\dependencies\libraries_v140_x64_py35_1.1.0\libraries\include\boost-1_61
  

• 添加其他依赖的包含目录

  C:\Users\MWG\.caffe\dependencies\libraries_v140_x64_py35_1.1.0\libraries\include
  

• 若加入了预处理的宏定义
  USE_OPENCV
  CPU_ONLY
  
  添加两个预处理宏，更多预定义的宏添加
  
  则不需要添加cuda的包含目录，否则需要加入cuda的包含目录和库目录，分别为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\include 和 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\lib\x64。

• Opencv库自己的电脑已经安装并配置

• 最终包含目录（include）为：
  

• 库目录， VC++目录 -> 库目录 添加

  C:\Users\MWG\.caffe\dependencies\libraries_v140_x64_py35_1.1.0\libraries\lib
  

  在编译的时候系统会提示无法打开lib*.lib文件（例如，无法打开文件“libboost_date_time-vc140-mt-1_61.lib”），我的系统中主要是boost中的一些lib。其实这些lib在文件夹中是存在的只是命名的方式不对。将库文件夹中对应的lib文件前面加上lib三个字母就可以了。

  • 例如我的系统中提示找不到libboost_date_time-vc140-mt-1_61.lib，在同一个文件夹中创建一个副本并重新命名为libboost_date_time-vc140-mt-1_61.lib就行了。

  • 还有另外一个，将“boost_filesystem-vc140-mt-1_61.lib”复制一份，并重命名为"libboost_filesystem-vc140-mt-1_61.lib"。

• 添加caffe.lib的Release版本包含目录，

  D:\caffe-windows\scripts\build\lib\Release
  

  并在附加依赖项中加入caffe.lib

• Opencv库自己的电脑已经安装并配置

• 总的库目录（lib）
  

• 附加依赖项，链接器 -> 输入 -> 附加依赖项 添加
  根据 D:\caffe-windows\scripts\build\examples\cpp_classification\Release 目录下的DLL依赖文件名称，在附加依赖中添加对应的lib名。
  例如，
  

  

• 总的附加依赖项

  caffe.lib
  caffeproto.lib
  python35.lib
  gflags.lib
  glog.lib
  libprotobuf.lib
  libprotoc.lib
  opencv_world3411.lib
  boost_chrono-vc140-mt-1_61.lib
  boost_filesystem-vc140-mt-1_61.lib
  boost_python-vc140-mt-1_61.lib
  boost_system-vc140-mt-1_61.lib
  boost_thread-vc140-mt-1_61.lib
  caffehdf5.lib
  caffehdf5_hl.lib
  caffezlib.lib
  libopenblas.dll.a
  

  其中，libprotoc.lib可以不要，或许还有一两个包可以不要，dont mind。

此时已经能够编译成功。
--------------------------------------------------------------漂亮的分界线------------------------------------------------

5. 修改classification.py文件，传入测试数据的位置

   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;
       return 1;
     }
     */
   
     ::google::InitGoogleLogging(argv[0]);
     /*
     string model_file   = argv[1];
     string trained_file = argv[2];
     string mean_file    = argv[3];
     string label_file   = argv[4];
     string file = argv[5];
     */
     // mwg
     string model_file   = "D:/caffeProjects/cifar/cifar10_quick.prototxt";
     string trained_file = "D:/caffeProjects/cifar/cifar10_quick_iter_4000.caffemodel.h5";
     string mean_file    = "D:/caffeProjects/cifar/mean.binaryproto";
     string label_file   = "D:/caffeProjects/cifar/synset_words.txt";
     string file = "D:/caffeProjects/cifar/dog.jpg";
     Classifier classifier(model_file, trained_file, mean_file, label_file);
   
     
   
     std::cout << "---------- Prediction for "
               << file << " ----------" << std::endl;
   

• 按照下面问题5,6修改代码，layer的加入与注册。

• 下载测试数据，后面链接网盘中目录的 “caffeProjects/cifar”
  链接：http://pan.baidu.com/s/1skIfYkH 密码：w69a
  

• 测试成功！
  cifar的结果：
  
  mnist的结果：
  

可能出现的错误

1. 无法解析的外部符号 “public: void __cdecl caffe::Blob::FromProto(class caffe::BlobProto const &,bool)”
   答：此类问题一般是由于缺失对应的lib包造成的，解决方案为在库目录和附加依赖项中添加进去正确的依赖包，本问题添加caffe.lib即可。

2. 无法打开文件“python35.lib”
   答：由于自己的电脑默认python环境不是conda，而是另一个python3.6，所以可能系统无法找到对应的包。解决方案为在库目录和附加依赖项中添加进去正确的依赖包。在目录D:\miniconda3\envs\caffe\libs下的python35.lib包。

3. 无法解析的外部符号 “public: virtual __cdecl caffe::BlobProto::~BlobProto(void)”
   答：此类问题一般是由于缺失对应的lib包造成的，解决方案为在附加依赖项中添加进去正确的依赖包。本问题添加caffeproto.lib即可。

4. 无法解析的外部符号 “__declspec(dllimport) public: class std::basic_string * __cdecl google::base::CheckOpMessageBuilder::NewString(void)”
   答：此类问题一般是由于缺失对应的lib包造成的，解决方案为在附加依赖项中添加进去正确的依赖包。本问题添加caffeproto.lib即可。

5. layer_factory.cpp:62] Check failed: registry.count(type) == 1 (0 vs. 1) Unknown layer type: Input (known types: Convolution, Eltwise, LRN, Pooling, Power, Python, ReLU, Sigmoid, Softmax, Split, TanH)
   *** Check failure stack trace: ***
   答： 参考博客。 大概是libcaffe.lib是静态库的方式编译的，有一些东西没法使用。解决方案就是，新建一个头文件，例如head.h,将他提示你没有的层的头文件包含进去，在添加类似于extern INSTANTIATE_CLASS(InputLayer);的这句话
   后来发现有的层添加了也会报错，那是因为他们没有类似于REGISTER_LAYER_CLASS(Input);这句话。可以想象，
   REGISTER_LAYER_CLASS这句话作用就是注册layer。可以添加进去。贴上自己的head.h，添加了使用到的layer。

   #include "caffe/common.hpp"
   #include "caffe/layers/input_layer.hpp"
   #include "caffe/layers/inner_product_layer.hpp"
   #include "caffe/layers/dropout_layer.hpp"
   #include "caffe/layers/conv_layer.hpp"
   #include "caffe/layers/relu_layer.hpp"
    
   #include "caffe/layers/pooling_layer.hpp"
   #include "caffe/layers/lrn_layer.hpp"
   #include "caffe/layers/softmax_layer.hpp"
    
   namespace caffe
   {
    
   	extern INSTANTIATE_CLASS(InputLayer);
   	extern INSTANTIATE_CLASS(InnerProductLayer);
   	extern INSTANTIATE_CLASS(DropoutLayer);
   	extern INSTANTIATE_CLASS(ConvolutionLayer);
   	REGISTER_LAYER_CLASS(Convolution);
   	extern INSTANTIATE_CLASS(ReLULayer);
   	REGISTER_LAYER_CLASS(ReLU);
   	extern INSTANTIATE_CLASS(PoolingLayer);
   	REGISTER_LAYER_CLASS(Pooling);
   	extern INSTANTIATE_CLASS(LRNLayer);
   	REGISTER_LAYER_CLASS(LRN);
   	extern INSTANTIATE_CLASS(SoftmaxLayer);
   	REGISTER_LAYER_CLASS(Softmax);
   }
   

   之后在classification.cpp中include该头文件

   # include "head.h"
   

6. layer_factory.cpp:48] Check failed: registry.count(type) == 0 (1 vs. 0) Layer type Convolution already registered.
   答：删掉对应extern INSTANTIATE_CLASS 后面的REGISTER_LAYER_CLASS。