Caffe配置简述

最新推荐文章于 2018-07-04 09:35:14 发布

转载最新推荐文章于 2018-07-04 09:35:14 发布 · 111 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/yizhichun/p/6137936.html

一、安装VS2013

资源：byr

安装选项：MFC for C++

很easy。

二、配置CUDA

选择临时文件夹。

该安装包内的驱动不能用，保留原有驱动，continue。

若出现此提示，不要继续安装了，说明cuda版本太高了，GPU不支持。换一个低版本的cuda再继续。

选择Custom安装

全部默认。

修改路径

开始安装

安装完成后，在NVIDIA Corporation\CUDA Samples\v6.5\bin\win64\Release路径中，会有很多Sample的exe，在命令行下运行deviceQuery.exe。

Result=PASS，说明安装成功。

在VS下新建CUDA工程

默认会生成向量加法的测试程序。编译运行

出现错误

此时要修改工程属性Project->Properties->CUDA C/C++->Device->Code Generation

Compute_xx,默认是compute_20,xx代表GPU的计算能力，该参数可以再NVIDIA官网查到。

https://developer.nvidia.com/cuda-legacy-gpus

https://developer.nvidia.com/cuda-gpus

修改完成后，重新编译运行。

Cuda安装成功。

环境变量配置（可以暂时省略）

CUDA_BIN_PATH　　%CUDA_PATH%\bin

CUDA_LIB_PATH　　%CUDA_PATH%\lib\Win32

CUDA_SDK_BIN　　%CUDA_SDK_PATH%\bin\Win32

CUDA_SDK_LIB　　%CUDA_SDK_PATH%\common\lib\Win32

CUDA_SDK_PATH　　C:\cuda\cudasdk\common（自己安装SDK的地方）

方便日后使用。

三、caffe+win7+VS2013

http://m.blog.youkuaiyun.com/article/details?id=51355143

按照该教程，基本可以成功配置caffe。

第一次build。

error1：no object

双击错误，打开一个文件，保存该文件，即可解决。

Error2：libcaffe.lib找不到

重新build libcaffe这个子项目。然后在rebuild整个工程。

成功之后

生成的可执行文件和库在\caffe-master\Build\x64\Debug中，

在命令行下执行caffe.exe

说明安装成功。

四、windows下caffe训练mnist

网络上找到mnist数据集，mnist_test_lmdb和mnist_train_lmdb两个文件夹，拷贝到examples/mnist目录下。

修改lenet_solver.prototxt文件，

# solver mode: CPU or GPU

solver_mode: CPU

改为CPU模式。

路径问题：因为文件中都是相对路径，所以在train时，总是遇到一些错误，所以要讲文件路径修改一下。

Lenet_solver.prototxt

由examples/mnist/lenet改为../examples/mnist/lenet

由examples/mnist/lenet_train_test.prototxt改为../examples

lenet_train_test.prrototxt

由example改为../examples

在以管理员身份运行cmd，执行caffe train –solver ../lenet_solver.prototxt

训练完成后生成四个文件

这是训练好的模型。

五、windows下caffe测试mnist

http://www.cnblogs.com/yixuan-xu/p/5862657.html

Caffe test – model=examples\mnist\lenet_train_test.prototxt –weights=examples\mnist\lenet_iter_10000.caffemodel

六、windows下调用classification进行分类

首先要计算均值文件

caffe-master\Build\x64\Release文件夹下compute_image_mean.exe

cmd下执行，compute_image_mean mnist_train_lmdb mean.binaryproto

将mean.binaryproto复制到mnist文件夹下，下一个命令会用他当参数。

第四个参数为txt标签文档，表示每一个分类所对应的标签。

第三个参数mean.binaryproto为上一步生成的均值文件。

第二个参数为训练好的模型。

第一个参数为神经网络的参数。

第五个参数为我们要进行分类的图像。

七、自己新建vs工程，调用caffe接口，实现手写字体的识别。

配置项目的属性表：

所以在属性表里，先后需要include以下这些：（路径请自行修改）

D:\caffe-master\include
D:\NugetPackages\boost.1.59.0.0\lib\native\include
D:\NugetPackages\glog.0.3.3.0\build\native\include
D:\NugetPackages\gflags.2.1.2.1\build\native\include
D:\NugetPackages\protobuf-v120.2.6.1\build\native\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\include
D:\NugetPackages\OpenBLAS.0.2.14.1\lib\native\include
D:\caffe-master\include\caffe\layers
D:\NugetPackages\OpenCV.2.4.10\build\native\include
D:\NugetPackages\OpenCV.2.4.10\build\native\include\opencv
D:\NugetPackages\OpenCV.2.4.10\build\native\include\opencv2

然后，我们需要添加lib：（路径请自行修改）

D:\NugetPackages\boost_date_time-vc120.1.59.0.0\lib\native\address-model-64\lib

D:\NugetPackages\boost_filesystem-vc120.1.59.0.0\lib\native\address-model-64\lib
D:\NugetPackages\boost_system-vc120.1.59.0.0\lib\native\address-model-64\lib
D:\caffe-master\Build\x64\Release
D:\NugetPackages\boost_thread-vc120.1.59.0.0\lib\native\address-model-64\lib
D:\NugetPackages\boost_chrono-vc120.1.59.0.0\lib\native\address-model-64\lib
D:\NugetPackages\protobuf-v120.2.6.1\build\native\lib\x64\v120\Release
D:\NugetPackages\OpenCV.2.4.10\build\native\lib\x64\v120\Release
D:\NugetPackages\glog.0.3.3.0\build\native\lib\x64\v120\Debug\dynamic
D:\NugetPackages\gflags.2.1.2.1\build\native\x64\v120\dynamic\Lib
D:\NugetPackages\hdf5-v120-complete.1.8.15.2\lib\native\lib\x64
D:\NugetPackages\OpenBLAS.0.2.14.1\lib\native\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\lib\x64

那么我们的附加依赖项需要添加：

libcaffe.lib
libprotobuf.lib
opencv_highgui2410.lib
opencv_core2410.lib
opencv_imgproc2410.lib
libglog.lib
gflags.lib
libopenblas.dll.a
hdf5.lib
hdf5_hl.lib
cublas.lib
cublas_device.lib
cuda.lib
cudadevrt.lib
cudnn.lib
cudart.lib
cufft.lib
cudart_static.lib
cudnn_static.lib
cufftw.lib
cusparse.lib
cusolver.lib
curand.lib
nppc.lib
OpenCL.lib

上述为release模式下的配置文件，将配置保存到HyCaffe_x64_Release.props配置表中。

在Debug模式下，配置稍有不同

属性->Debugging->environment

PATH=B:\NugetPackages\OpenCV.2.4.10\build\native\bin\x64\v120\Debug;B:\NugetPackages\glog.0.3.3.0\build\native\bin\x64\v120\Debug\dynamic;B:\NugetPackages\gflags.2.1.2.1\build\native\x64\v120\dynamic\Lib;B:\NugetPackages\OpenBLAS.0.2.14.1\lib\native\bin\x64;B:\NugetPackages\hdf5-v120-complete.1.8.15.2\lib\native\bin\x64

制定了工作环境，包含了各种dll的路径，避免在系统环境变量Path中添加。

opencv_*.lib->opencv_*d.lib

D:\NugetPackages\protobuf-v120.2.6.1\build\native\lib\x64\v120\Release
D:\NugetPackages\OpenCV.2.4.10\build\native\lib\x64\v120\Release

D:\caffe-master\Build\x64\Release

Release改为Debug

将属性表保存到HyCaffe_x64_Debug.props配置表中。

头文件，在stdafx.h文件中添加

#include <opencv2/opencv.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
using namespace cv;
#include <algorithm>
#include <iosfwd>
#include <memory>
#include <string>
#include <utility>
#include <vector>
#include <caffe/caffe.hpp>
using namespace caffe; // NOLINT(build/namespaces)
using std::string;
using namespace std;

将Classifier类改写为自己的类HyClassifier

利用opencv编写画版模块

利用classification进行识别。

转载于:https://www.cnblogs.com/yizhichun/p/6137936.html