原版caffe代码项目编译在windows下非常麻烦，还好微软集成了所有三方包之后放出了一个windows版本的，省了不少时间。

项目下载地址：

https://github.com/Microsoft/caffe

网上有这个版本caffe编译现成的教程可以搜。如果自己下载编译，建议注释data_layer.cpp下

DLOG(INFO) << "Prefetch batch: " <<

batch_timer.MilliSeconds() << " ms.";

DLOG(INFO) << "  Read time: " << read_time / 1000 << " ms.";

DLOG(INFO) << "Transform time: " << trans_time /

1000 << " ms.";

这三行，要不然训练时干扰loss显示很烦人。

修改源码以及编译IDE使用visual studio 2013

如果有加载libcaffe和test_all项目失败的情况，先确保正确版本的cuda已经安装。

/windows/CommonSettings.props

文件里可以设置是否使用CuDNN以及Cuda版本。Python接口一般是编译的，matlab看使用需求是否编译。

解决方案位于/windows/caffe.sln

放出我配置好的windows caffe项目以及数据集、网络结构，照搬下载，更改路径和配置即可。

windows caffe项目(已编译好libcaffe、caffe、pycaffe、convert_imageset)：

http://pan.baidu.com/s/1dFJYLDv

数据集(汉字识别)+网络(自设计)

http://pan.baidu.com/s/1bpbx6Gn

eclipse环境以及数据预处理、模型调用解决方案

http://pan.baidu.com/s/1jHQZTB4

http://pan.baidu.com/s/1bEyZP8

python2.7目录下所有内容，包含三方库

http://pan.baidu.com/s/1c1Q6mUc

内容以及结构说明会在后面详细说明。

编译顺序：libcaffe、caffe、pycaffe、convert_imageset

这里需要设置一些引用，具体如截图：

libcaffe引用python安装路径，默认c:\Python27

caffe项目引用：

pycaffe：

convert_imageset

------------------------------------------------

编译好之后的目录在  /Build/x64/Debug下，内容如下：

之后复制pycaffe下所有内容到 {python安装目录这里是c:\python27}Libsite-packages

下

这个目录也是python三方库所在位置，不光是python，还需要安装numpy、scipy、sckit-image、opencv_python、matplotlib之类的一堆东西，才能让在python环境下调用caffe并且对图片进行预处理。

如果在eclipse里import东西时出错，多半是这些需要的库没有安装好。安装教程同样网上找，比较零散。

当然也可以下载python27.rar然后复制粘贴覆盖，省得一个一个去安装。

目录截图：

接下来eclipse安装以及配置pyDev环境，网上找教程省略不写，或者直接下载eclipse.rar解压即可。

===========================================================

到此为止开发环境已配置部署完毕。

创建自己的训练集：

dpsample.rar解压， /dpsample/dpsample

目录下是原始数据，需要进行一系列处理，使用testcaffe.rar里的解决方案。

prepareSamples()方法将文字等比拉伸并且居中到32x32大小的图片，并且根据文字放入相应的文件夹，目录/dpsample/cha_data/...

prepareTraining()方法从分类好的文字里筛选至少有50个文字样本的字，随机放入训练或是测试数据集文件夹，自设放置训练与测试的比例。限定训练文件夹内同一个字最多不超过60个，以满足训练样本平衡。

最终得到以下内容：

/dpsample/data/character_dict.txt  汉字Index(caffe只能识别int型作为softmax分类)

/dpsample/data/train.txt

训练集目录

/dpsample/data/val.txt

测试集目录

/dpsample/data/train

训练集图片文件夹

/dpsample/data/val

测试集图片文件夹

之后修改caffe-master目录下convertimage2ldb.bat和convertimage2ldb_test.bat两个脚本内的路径，调用

/Build/x64/Debug/convert_imageset.exe程序分别生成训练集以及测试集的lmdb数据文件。注意这里使用--shuffle打乱图片排列顺序很重要。

两个bat脚本运行完得到/dpsample/data/testldb 和/dpsample/data/trainldb

文件夹。

之后在/dpsample/solver目录下创建编辑三个prototxt文档，分别是

lenet_solver.prototxt  训练模型使用的参数

lenet_train_test.prototxt  训练模型使用的网络，带accuracy以及loss函数

lenet_deploy.prototxt  模型训练好后，python调用模型时使用的网络。

三个prototxt文档内的内容含义网上有教程，不重复叙述。

这里放一个很实用的网络结构可视化网站：

http://ethereon.github.io/netscope/#/editor

网络结构以及solver定义好、lmdb数据准备好之后，就可以开始训练了。

/caffe-master/Build/x64/Debug 下打开控制台，运行

caffe.exe train

-solver={lenet_solver.prototxt文档路径}

等待训练结束。

当然也可以训练一段时间之后手动ctrl+c结束

得到一系列.caffemodel以及.solverstate文件

其中caffemodel文件是可以调用的模型，solverstate文件是继续检查点接着训练需要用到的文件。

python里调用caffemodel文件，对指定图片(30_47.png图，character_dict.txt里：多=30)进行分类：

import省略

deploy='C:/Users/Shirui/Downloads/dpsample/solver/lenet_deploy.prototxt'

#deploy文件

caffe_model='C:/Users/Shirui/Downloads/dpsample/solver_iter_1000.caffemodel'

#训练好的caffemodel

imgtest='C:/Users/Shirui/Downloads/dpsample/solver/30_47.png'

#随机找的一张待测图片

net = caffe.Net(deploy, caffe_model, caffe.TEST)

transformer = caffe.io.Transformer({'data':

net.blobs['data'].data.shape})

#设定图片的shape格式(1,3,28,28)

transformer.set_transpose('data', (2,0,1))  #改变维度的顺序，由原始图片(28,28,3)变为(3,28,28)

#transformer.set_mean('data',

np.load(mean_file).mean(1).mean(1))  #减去均值，前面训练模型时没有减均值，这儿就不用

#transformer.set_raw_scale('data', 1)  # 缩放到【0，1】之间  已经在网络prototxt里已设置scale，这里可以不用

transformer.set_channel_swap('data', (2,1,0))

#交换通道，将图片由RGB变为BGR

im=caffe.io.load_image(imgtest)  #加载图片

net.blobs['data'].data[...] =

transformer.preprocess('data',im)  #执行上面设置的图片预处理操作，并将图片载入到blob中

out = net.forward()

prob= net.blobs['prob'].data[0].flatten()

#取出最后一层(Softmax)属于某个类别的概率值，并打印

print prob

order=prob.argsort()[-1]  #获取最大prob的index

print(order)

最终得到正确的图片分类index 30