Caffe-windows入门学习，编译、训练、测试详细教程

浩瀚之水_csdn

已于 2025-04-04 17:21:52 修改

阅读量2.3k

点赞数 1

分类专栏： # Caffe框架文章标签： caffe windows 学习

于 2019-12-21 12:26:29 首次发布

原文链接：https://blog.youkuaiyun.com/wanggao_1990/article/details/76721294

版权

Caffe框架专栏收录该内容

101 篇文章

订阅专栏

本文详述了Caffe深度学习框架在Windows环境下的搭建流程，包括编译配置、依赖项安装、Matlab接口编译及模型训练。并通过C++实现MNIST手写数字识别，涵盖数据预处理、模型训练与测试。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

####目录结构

一. 准备工作
二. 编译
2.1、开启相关caffe版本的编译开关配置内容
2.2、手动更改或者指定版本对应编译器目录
2.3、下载依赖文件dependencies文件到指定目录
2.4、编译
三.   MNIST手写体字符识别（C++）
3.1、MNIST数据集下载
3.2、转换数据格式
3.3、训练和测试数据集
3.4、测试单张图片
四.   Matlab Demo
4.1、编译Caffe的Matlab接口
4.2、模型文件下载
4.3、测试
五.   附录
5.1、生成网络结构图
5.2、相关文件说明
5.3、debug调试模式
5.4、配置中关于include phase TRAIN/TEST的相关说明
原创文章，转载请注明出处 http://blog.youkuaiyun.com/wanggao_1990/article/details/76721294。

一、准备工作
1.1、下载BVLC/Caffe-windows源码，点击跳转下载。
1.2、使用GPU版本，提前安装CUDA 7.5（VS2015使用8.0）、cuDnn v5，Python 2.7或Python3.5 x64
1.3、若要生成Matlab接口，还需要安装Matlab
1.4、搭建环境本次是搭建caffe GPU版本，已经安装VS2015， Python3.5.3 x64， Matlab 2013b， CUDA 8.0，cuDnn v5.1，并生成Matlab接口。
二、编译
目录.\caffe-windows\scripts\下的build_win.cmd，双击就能在此目录下创建build文件夹并生成VS的.sln解决方案，并编译生成各种版本库和可执行文件。下图是双击.bat后会出现的内容，也会看到相应的一些配置情况。

通常需要改动build_win.cmd文件和相关.cmake文件的部分内容，以修改一些目录和下载内容的配置。目录结构如下。

2.1、开启相关caffe版本的编译开关配置内容如下

默认VS2015编译，自动检测CUDA，编译GPU版本，生成release等…
例如，表示需要编译Matlab版本接口。若不在这里指定，需要编译Matlab版本接口则需要在cmd中给.bat传入参数，如.\build_win.cmd -DBUILD_matlab=ON。

2.2、手动更改或者指定版本对应编译器目录（VS、Python、Matlab等）
（1）Python 版本是3.5，指定Python对应目录。

另外，还需要在caffe-windows目录下修改CMakeList.txt中的python版本号set(python_version "3" CACHE STRING "Specify which Python version to use")（python2为默认）。

（2）是否编译GPU版本，debug模式下的配置等….
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JTiNdKS0-1571282551891)(https://github.com/wanggao1990/MarkdownPhotos/blob/master/ImageGithubToMarkdown/windows_caffe-img/2-2-2.png?raw=true)]

（3）指定编译器，VS2015（或其他VS版本，Ninja）

2.3、提前下载依赖文件dependencies文件到指定目录
在运行build_win.cmd后，会自动执行位于.\caffe-windows\cmake\目录下的WindowsDownloadPrebuiltDependencies.cmake文件（可在文件中找到相关的下载网站），建议手动下载libraries_v140_x64_py35_1.1.0.tar.bz2并解压到到用户目录C:\Users\Administrator\.caffe\dependencies下。

从https://github.com/willyd/caffe-builder/releases下载对应版本的依赖文件并解压到指定位置。

若已经手动下载了，需修改WindowsDownloadPrebuiltDependencies.cmake文件使其不再重复下载，找到如下部分并注释。

2.4、编译
运行build_win.cmd文件，没其他配置问题，等待一段时间就能生成sln和各种文件了。编译生成的caffe.sln解决方案。编译生成的解决方案，生成Matlab、C++、Python不同版本的caffe接口库和samples的数据转换可执行文件。

三、 MNIST手写体字符识别（C++）
利用编译好的C++版本Caffe对MNIST手写字符进行训练和识别。

3.1、MNIST数据集下载
从http://yann.lecun.com/exdb/mnist/下载MNIST的数据集（如下四个压缩文件），并解压到目录.\caffe-windows\data\mnist\下。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FcARikAc-1571282551892)(https://github.com/wanggao1990/MarkdownPhotos/blob/master/ImageGithubToMarkdown/windows_caffe-img/3-1-1.png?raw=true)]

3.2、转换数据格式
（1）编译"convert_mnist_data"工程，生成convert_mnist_data.exe，位置如右下图。

（2）生成LMBD数据文件
在.\caffe-windows\data\mnist\目录下新建convert_datas.bat批处理文件，内容如下。

双击后，分别在当前目录下的mnist_train_lmdb和mnist_test_lmdb文件夹下生成数据文件，分别用于训练和测试。运行和生成文件如下：

Tips: 若需要生成levelbd格式，需要在"convert_mnist_data"工程中先指定backend为”leveldb”，再编译生成exe，重复执行上述操作即可。

3.3、训练和测试数据集
（1）准备prototxt文件
首先从.\caffe-windows\examples\mnist\目录下拷贝lenet_solver.prototxt和lenet_train_test.prototxt两个文件到.\caffe-windows\data\mnist\目录下。

修改两个文件的数据源路径和生成模型文件路径，内容如下：

如果数据格不为LMBD，还需修改data_param下的backend为对应格式的字符（文件说明见附录）。

（2）训练数据集，生成.caffemodel模型
在.\caffe-windows\data\mnist\目录新建snapshot_lenet文件夹。新建train.bat文件，内容如下。

运行得到如下结果。

利用GPU训练迭代10000次，最终的准确率为99.05%。生成的模型文件：

（3）测试数据集
在.\caffe-windows\data\mnist\新建test.bat文件，内容如下。

运行得到结果如下，正确率为98.58%。

3.4、测试单张图片
测试识别单张图片，准备一张28*28的数字手写体图片文件。另外，还需要数据训练的均值文件、标签文件、deploy.prototxt文件和识别可执行文件。

（1）生成均值文件mean.binaryproto
编译“compute_image_mean”工程，生成对应的exe文件，位置如右下图

在.\caffe-windows\data\mnist\新建compute_mean.bat文件，内容如下。
运行后会在当前目录下生成一个mean.binaryproto均值文件。

（2）类别标签文件synset_words.txt
在.\caffe-windows\data\mnist\新建synset_words.txt文件，内容如下

（3）生成测试工具可执行文件
编译“classification”工程，生成对应的exe文件，位置如右下图

（4）deploy.prototxt文件
该文件由lenet_train_test.prototxt修改而来，可从目录.\caffe-windows\examples\mnist\下直接拷贝文件lenet.prototxt到当前目录，并改名为deploy.prototxt。

（5）测试单张图片
在.\caffe-windows\data\mnist\新建mnist_img_classification.bat文件，内容如下

测试图片3.bmp位于当前文件夹下，图片和测试结果如下：

能够正确识别为数字3 （注意，图片背景为黑，前景为白）。

Tips:
测试当个模型的时候用到了均值文件，建议在训练文件lenet_train_test.prototxt和测试文件deploy.prototxt中transform_param添加处理命令mean_file: "./mean.binaryproto"。

四、 Matlab Demo
利用CaffeNet演示图像分类，首先需要编译Caffe的Matlab接口，再下载一个对应的模型文件，最后就可以运行这个demo。

4.1、编译Caffe的Matlab接口
编译“matlab”工程，生成对应的caffe_.mexw64文件，位置如右下图

4.2、模型文件下载
从http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel下载模型文件，并放到\caffe-windows\models\bvlc_reference_caffenet\文件夹下。

4.3、测试
打开Matlab，设置当前目录为.\caffe-windows\matlab\demo\，执行以下代码：

图片和结果如下：

五、附录
5.1、生成网络结构图
利用.\caffe-windows\python目录下的draw_net.py脚本绘制网络结构图（需要pip安装依赖的包，见requirements.txt）。新建draw_net.bat批处理文件，内容如下。复制lenet_train_test.prototxt到当前目录。

运行后结果如下

对my_deploy.prototxt生成结构图如下

Tips: 可查看大图。网络结构是从下向上生长，当前层的前一层为bottom，后一层是top。

5.2、相关文件说明
（1）lenet_solver.prototxt

 The train/test net protocol buffer definition（制定训练和测试模型）
net: " lenet_train_test.prototxt"	（网络配置文件位置）

# test_iter specifies how many forward passes the test should carry out.
# In the case of MNIST, we have test batch size 100 and 100 test iterations,
# covering the full 10,000 testing images.	（batch size * test_iter = 10000）
test_iter: 100			（测试batch_size=100, 100次测试能覆盖完整的10000个样本）

# Carry out testing every 500 training iterations.
test_interval: 500		（每训练500次进行一次测试）

# The base learning rate, momentum and the weight decay of the network.
base_lr: 0.01			（基础学习率）
momentum: 0.9		    （动量）
weight_decay: 0.0005	（权重衰减）

# The learning rate policy	（学习策略）
lr_policy: "inv"	（inv: return base_lr * (1 + gamma * iter) ^ (- power)）
gamma: 0.0001
power: 0.75

# Display every 100 iterations
display: 100（）		（每迭代100次打印结果）

# The maximum number of iterations
max_iter: 10000		（最大迭代次数）

# snapshot intermediate results
snapshot: 5000		（5000次迭代保存一次临时模型，名称为lenet_iter_5000.caffemodel）
snapshot_prefix: "examples/mnist/lenet"

# solver mode: CPU or GPU
solver_mode: GPU		（GPU开关）

（2）lenet_train_test.prototxt

name: "LeNet"			网络名
layer {
  name: "mnist"			本层名称
  type: "Data"			层类型
  top: "data"			下一层接口
  top: "label"			下一层接口
  include {
    phase: TRAIN
  }
  transform_param {
    scale: 0.00390625		#1/256，预处理如减均值，尺寸变换，随机剪，镜像等
  }
  data_param {
    source: "mnist_train_lmdb"	训练数据位置
	batch_size: 64			    一次训练的样本数
	backend: LMDB			    读入的训练数据格式，默认lmdb
  }
}

layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "mnist_test_lmdb"
    batch_size: 100		一次测试使用100个数据
    backend: LMDB
  }
}

layer {
  name: "conv1"
  type: "Convolution"	卷积层
  bottom: "data"		上一层名“data”
  top: "conv1"			下一层接口“conv1”
  param {
    lr_mult: 1			（weights的学习率与全局相同）
  }
  param {
    lr_mult: 2			（biases的学习率是全局的2倍）
  }
  convolution_param {
    num_output: 20		卷积核20个
    kernel_size: 5		卷积核尺寸5×5
    stride: 1			步长1
    weight_filler {
      type: "xavier"	（随机的初始化权重和偏差）
    }
    bias_filler {
      type: "constant"	bias用0初始化
    }
  }
}

layer {
  name: "pool1"
  type: "Pooling"		池化层
  bottom: "conv1"		上层“conv1”
  top: "pool1"			下层接口“pool1”
  pooling_param {
    pool: MAX			池化函数用MAX
    kernel_size: 2		池化核函数大小2×2
    stride: 2			步长2
  }
}

layer {
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 50			卷积核50个
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}

layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}

layer {
  name: "ip1"
  type: "InnerProduct"		全连接层
  bottom: "pool2"			上层连接“pool2”
  top: "ip1"				“下层输出接口ip1”
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 500			输出数量500
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}

layer {
  name: "relu1"
  type: "ReLU"		激活函数
  bottom: "ip1"
  top: "ip1"	（这个地方还是ip1，底层与顶层相同减少开支，下一层全连接层的输入也还是ip1）
}

layer {
  name: "ip2"
  type: "InnerProduct"
  bottom: "ip1"
  top: "ip2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 10			输出结果10个
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}

layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "ip2"			上层连接ip2全连接层
  bottom: "label"		上层连接label层
  top: "accuracy"		输出接口为accuracy
  include {
    phase: TEST			
  }
}

layer {
  name: "loss"
  type: "SoftmaxWithLoss"		损失函数
  bottom: "ip2"
  bottom: "label"
  top: "loss"
}

（3）lenet.prototxt

name: "LeNet"（网络的名字）
layer {
  name: "data"
  type: "Input"				（层类型，输入）
  top: "data"				（导入数据这一层没有bottom，因为是第一层）
  input_param { 
	  shape: { dim: 64 dim: 1 dim: 28 dim: 28 } 
	}	                   （64张图为一批，28*28大小）
}
读取这批数据维度：64 1 28 28

layer {
  name: "conv1"
  type: "Convolution"	（卷积类型层）
  bottom: "data"		（上一层名叫做data）
  top: "conv1"			（下一层名叫做conv1）
  param {
    lr_mult: 1			（weights的学习率与全局相同）
  }
  param {
    lr_mult: 2			（biases的学习率是全局的2倍）
  }
  convolution_param	{   （卷积操作参数设置）
    num_output: 20		（卷积输出数量20，由20个特征图Feature Map构成）
    kernel_size: 5		（卷积核的大小是5*5）
    stride: 1			（卷积操作步长）
    weight_filler {
      type: "xavier"	（随机的初始化权重和偏差）
    }
    bias_filler {
      type: "constant"	（bias使用0初始化）
    }
  }				（通过卷积之后，数据变成（28-5+1）*（28-5+1），20个特征）
}
卷积之后这批数据维度：64 20 24 24

layer {
  name: "pool1"
  type: "Pooling"			（下采样类型层）
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX			（下采样方式，取最大值）
    kernel_size: 2			（下采样核函数size）
    stride: 2				（步长）
  }
}
下采样之后这批数据维度：64 20 12 12

layer {
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 50			（50个卷积核）
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
卷积之后这批数据维度：64 50 8 8

layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
下采样之后这批数据维度：64 50 4 4

layer {
  name: "ip1"
  type: "InnerProduct"		（全连接类型层）
  bottom: "pool2"
  top: "ip1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {		（全连接层参数设置）
    num_output: 500			（输出为500）
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }				（4*4的数据通过4*4的卷积得到1*1的数据）
}
通过全连接层之后这批数据维度：64 500 1 1

layer {
  name: "relu1"
  type: "ReLU"		（激活函数类型层）
  bottom: "ip1"
  top: "ip1"	（这个地方还是ip1，底层与顶层相同减少开支，下一层全连接层的输入也还是ip1）
}
通过ReLU层之后这批数据维度：64 500 1 1（不做改变）

layer {
  name: "ip2"
  type: "InnerProduct"
  bottom: "ip1"
  top: "ip2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 10			（直接输出结果，0-9，十个数字所以维度是10）
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }				            （数据的分类判断在这一层中完成）
}
通过全连接层之后这批数据维度：64 10 1 1


layer {
  name: "prob"
  type: "Softmax"			（损失函数）
  bottom: "ip2"
  top: "prob"				（一开始数据输入为date的话，这里写label）
}

5.3 Debug调试模式
当我们想进入debug模式进行调试代码时，切换方案配置为Debug，点击build时，会提示找不到python*.lib。正常情况下，debug也是应该找python*_d.lib的。问过caffe的作者，回答为：

Usually official python builds do not include the debug library. Python.h inserts a linker directive for the python35_d.lib in debug and python35.lib in release but boost.python tries to fool python.h so that it links to python35.lib since most people won’t have python35_d.lib. If you want to use the debug library define BOOST_DEBUG_PYTHON see: http://www.boost.org/doc/libs/1_61_0/boost/python/detail/wrap_python.hpp。

另外，wrap_python.hpp的开头注释中也写到 This file serves as a wrapper around “Python.h" which allows it to be compiled with GCC 2.95.2 under Win32 and which disables the default MSVC behavior so that a program may be compiled in debug mode without requiring a special debugging build of the Python library.

解决办法：
打开 .caffe\dependencies\libraries_v140_x64_py35_1.1.0\libraries\include\boost-1_61\boost\python\detail\下的wrap_python.hpp文件，添加一句#define BOOST_DEBUG_PYTHON，修改如下。之后便能在debug下编译成功。

#ifdef _DEBUG
#define BOOST_DEBUG_PYTHON
# ifndef BOOST_DEBUG_PYTHON
#  ifdef _MSC_VER

5.4 配置中关于include phase TRAIN/TEST的相关说明
prototxt文件一般会有2个或3个， 2个时为 train_val.prototxt 和 deploy.prototxt， 3个时为 train.prototxt，val.prototxt 和 deploy.prototxt 。
其中deploy.prototxt不用解释，通常会是 train_val.prototxt ，这个里面就存在以下两种参数：

include {
      phase: TRAIN
}

include {
      phase: TEST
}

这两种参数分别配置训练train和验证validation, 多数多出现在 Data 和 Accuracy 层，供模型有区别地选择当前层的配置。

(1) Data层
例如train_val.prototxt 中有2个Data层，如下图，在训练时使用目录mnist_train_lmdb下的数据集，在测试时使用目录mnist_test_lmdb下的数据。

如果训练和测试的样本一样，有两种使用方式：
第一种，保留两个data层，data_param中source使用同一个数据；
第二种，去掉include { phase: xxx}，使用默认方式，默认的data_param中source既用在训练train，也用在验证validation中。

注意，指定phase时，必须有2个，若仅保留TRAIN，会报错误 F1017 11:17:45.960036 15712 insert_splits.cpp:29] Unknown bottom blob ‘data’ (layer ‘conv1’, bottom index 0), 提示bottom层既data层不存在。

(2) Accuracy层
当phase为TEST时，仅在指定如

test_iter: 100 # 验证样本迭代次数，10000个样本设置batch_size=100, 需要100次
test_interval: 500 # 进行验证的迭代间隔500, 每训练迭代500，对10000个样本验证一次

时，accuracy仅出现在验证过程中。

layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "ip2"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }

选择第500次迭代，会多出一部分有 Test net ouput #0 accuracy 和 #1 loss。其他次迭代仅有一个 Train net outpu #0的loss。

若去掉 include { phase: TEST } , 则默认为训练和测试都进行验证。训练过程是每个迭代都计算accuracy，测试保持为每500迭代一次。截图分别如下。

原创文章，转载请注明出处 http://blog.youkuaiyun.com/wanggao_1990/article/details/76721294。
————————————————
版权声明：本文为优快云博主「王高」的原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/wanggao_1990/article/details/76721294