深度学习 caffe windows cpu matlab安装

折腾了很久，在研究了传统机器学习理论与应用后，着手进入到深度学习领域。虽然说，深度学习还是来源于人工智能的一个学派：连接学派，而且很高大尚的是，名字起的好，居然叫深度学习，和一般的学习不一样。但是这个名字也确实接地气，的确进行了深度的学习，对客观的事物进行了深度的表征，这样就使得传统的模型也可以发挥更好的价值。关于深度学习的部分，还有很多想说的，但是工欲善其事，必先利其器，今天首先来说，如何搭建深度学习框架caffe，其实官网和其他博客都有介绍，而且都贴了图，都很详细，但是呢，总感觉，每个人面对的问题不一样，角度也不一样，往往在解决自己的问题是，要不断的查资料，看文档，google提问，这样一来，折腾了很久。

对于我来说，感觉在哪个平台写代码，调程序，都差不多，关键是思想要了解，方法要掌握。但是，在搭建环境的时候，当然是Linux下方便，许多包，一键安装，多方便，照着教程走一遍，就差不多了，但是如果当前系统是windows，那么只能装个虚拟机，然后虚拟机装个Linux，然后接着刚才说的，把系统里面的环境配置好，然后装了matlab，python，开始跑代码，调代码。但是总觉的怪怪的，于是在把Linux上的caffe，tensorflow编译了一遍，跑了跑，决定还是在windows再编一遍。其实，对于python，用mxne或者tensorflow就可以了，但是对于matlab的话，想想，还是用caffe。这样，最终的目标，就定位在windows系统下，编译无GPU（其实也有GPU，也安装了CuDNN toolkits，但是GPU不支持计算，只是能安装，具体能不能跑，还的编译一下GPU版本的caffe来试一试）。

这里具体介绍一下，我怎么做得，虽然都是用文字写的，但是里面大概记录关键点，我遇到的问题，以及推荐资料：

尝试了很多，https://github.com/BVLC/caffe 官网提供了完整版本，后来有支持了windows版本，https://github.com/BVLC/caffe/tree/windows， 进入这个界面，发现官方很人性化，提供了编译好的版本，而且种类充足，但是大多只是python，但是没有matlab，于是还是决定自己编译一下。

照着官网上走了一下，其实我是看的视频：https://www.youtube.com/watch?v=AN2uXGRvw9E， 需要翻墙，其实发现，有些时候，当看文档，觉得解决不了你的问题时，可以看看视频，说不定会有效果。看了半天，发现，视频里面caffe的版本比现在老，需要手动改好几个地方，然后比对我下载下来的版本，发现，改的地方非常少，就是需要改一下.../caffe/scripts/build_win.cmd，配置一下python的版本，路径，设置一下是否是否只是用CPU，然后是否编译matlab，具体怎么设置，打开文件，照着视频里说的，做一下就可以了。然后视频里，讲了更改其他地方，后来发现不需要，因为应该在caffe后面的版本改过了。

改完了，就在caffe目录下，运行scripts\build_win.cmd，这个可以自动下载编译caffe所需要的所有第三方库，十分的方便，但是有一个问题，就是会把第三方依赖库，放到C盘的用户目录下：C:\Users\Username\.caffe\dependencies\libraries_v140_x64_py35_1.1.0\libraries，这样，这个build_win.cmd不仅下载依赖库，还帮你编译caffe，完全自动化。这样，当结束时，一定要记住，将上面目录下的libraries这个目录，全部拷贝到caffe\libraries下，这样才可以。

然后就是，进入到matlab中，然后设置一下依赖库的路径：执行下面两行代码在matlab中，

p = getenv('PATH')
setenv('PATH', ['E:\cv_lab\caffe\build\libraries\bin;E:\cv_lab\caffe\build\libraries\lib;E:\cv_lab\caffe\build\libraries\x64\vc14\bin;', p])

然后就可以运行demo下的小猫分类程序。

整个过程其实很简单，但是有些地方配置还是需要小心，一个方法就是多配置几遍，自然知道哪些需要配置，哪些不需要配置。

当你发现看不懂我上面说的时，那说明你没好好看，其实十分简单，看看视频，把我说的几个关键点搞定，整个windows下caffe matlab的编译就搞定了。

在额外说一句，其实，如果真的要学习深度学习，还是踏踏实实地，不要只知道装各种包。

我接下来，会持续分享关于机器学习和深度学习，自己遇到的问题，已经如何提升自己在这方面的能力，尽可能的说一些有用的。但有些不严谨的，还需要多多包涵。

在机器学习道路上，还很漫长，路漫漫其修远兮，吾将上下而求索。