WINDOWS+VS2013下產生caffe並進行cifar10分類測試

標籤：工程   article   啟動   class   轉換   window   nload   啟用   nts   

http://blog.csdn.net/naaaa/article/details/52118437標籤： windowsvs2013caffecifar102016-08-04 15:33 1316人閱讀 評論(1) 收藏 舉報 分類：caffe

著作權聲明：本文為博主原創文章，未經博主允許不得轉載。

1.下載vs2013，安裝

 

http://download.microsoft.com/download/0/7/5/0755898A-ED1B-4E11-BC04-6B9B7D82B1E4/VS2013_RTM_ULT_CHS.iso

 

2.下載caffe原始碼，解壓

 

https://github.com/Microsoft/caffe

將caffe-master/windows下CommonSettings.props.example後面的.example去掉。

 

3.gpu配置

 

帶gpu的配置：

下載cuda：

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

根據自己的顯卡選擇下載的版本

雙擊exe進行安裝

下載cudnn：

https://developer.nvidia.com/cudnn

下載v4或v5版本

解壓後分別將lib、include、bin檔案夾下的檔案複製到cuda安裝目錄下的lib、include、bin檔案夾下

（預設為：c:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vx.x）

 

無gpu的配置：

記事本開啟caffe-master/windows下的CommonSettings.prop修改：

<CpuOnlyBuild>false</CpuOnlyBuild>為<CpuOnlyBuild>true</CpuOnlyBuild>

<UseCuDNN>true</UseCuDNN>為<UseCuDNN>false</UseCuDNN>

 

編譯每個項目前設定：

項目->屬性->配置屬性->c/c++->前置處理器->前置處理器定義，添加一項CPU_ONLY

 

4.產生libcaffe

 

開啟caffe-mastetr/windows下的Caffe.sln

所有項目都要用到libcaffe.lib，所以第一個要編譯這個項目。

libcaffe有很多相關的庫，工程裡已經配置好了可以用NuGet進行下載。

我們需要安裝NuGet包管理器並啟動它。

 

下載Nuget：

工具->擴充和更新->聯機，搜尋NuGet，下載Nuget 包管理

（也可以網站直接下載http://docs.nuget.org/consume/installing-nuget，雙擊安裝）

 

啟動Nuget：

右鍵工程->啟用NuGet程式包還原。

 

接著產生libcaffe會在caffe-master\Build\x64\Debug下產生libcaffe.lib

（後續所有的exe檔案也都是產生在這個目錄）

 

5.cifar10訓練資料

 

http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz

下載資料到caffe-master\data\cifar10,解壓。

下載的資料為binary格式，需要轉換為leveldb。

編譯convert_cifar_data項目，產生convert_cifar_data.exe。

開啟cmd，cd到caffe-master\Build\x64\Debug，輸入命令（後續所有命令都是在這個路徑下）：

convert_cifar_data.exe ../../../data/cifar10/cifar-10-batches-bin ../../../data/cifar10 leveldb

在caffe-master\data\cifar10檔案夾下產生cifar10_test_leveldb和cifar10_train_leveldb檔案夾

 

6.求資料映像均值

 

編譯compute_image_mean項目，產生compute_image_mean.exe

cmd輸入命令：

compute_image_mean.exe ../../../data/cifar10/cifar10_train_leveldb ../../../data/cifar10/mean.binaryproto --backend=leveldb

 

7.訓練cifar10模型

 

開啟caffe-master\examples\cifar10\cifar10_quick_solver.prototxt檔案：

修改路徑：examples/cifar10 為 ../../../examples/cifar10（兩處）

修改最後一行為：solver_mode: CPU（用gpu就不用改這一項）

 

開啟caffe-master\examples\cifar10\ cifar10_quick_train_test.prototxt檔案：

修改backend： LMDB 為 backend: LEVELDB（兩處）

修改mean_file: "examples/cifar10/mean.binaryproto" 為 mean_file:"../../../data/cifar10/mean.binaryproto"（兩處）

修改source: "examples/cifar10/cifar10_train_lmdb" 為 source:"../../../data/cifar10/cifar10_train_leveldb"

修改source: "examples/cifar10/cifar10_test_lmdb" 為 source:"../../../data/cifar10/cifar10_test_leveldb"

 

編譯caffe項目，產生caffe.exe

cmd輸入命令：caffe.exe train --solver=../../../examples/cifar10/cifar10_quick_solver.prototxt  訓練網路

CPU訓練會訓練好久，訓練完成後caffe-master/examples/cifar10檔案夾下產生

cifar10_quick_iter_4000.caffemodel.h5

cifar10_quick_iter_4000.solverstate.h5

 

8.對映像進行分類

 

在caffe-master\data\cifar10下建立文字檔synset_words.txt。

檔案內容是cifar10裡麵包含的分類種類，如下：

 

[plain] view plain copy  print?

1. airplane  
2. automobile  
3. bird  
4. cat  
5. deer  
6. dog  
7. frog  
8. horse  
9. ship  
10. truck  

 

編譯classification項目，產生classification.exe

命令列輸入：

classification.exe ../../../examples/cifar10/cifar10_quick.prototxt ../../../examples/cifar10/cifar10_quick_iter_4000.caffemodel.h5 ../../../data/cifar10/mean.binaryproto ../../../data/cifar10/synset_words.txt ../../../examples/images/cat.jpg

就會出來分類結果，我的結果：

 

[plain] view plain copy  print?

1. ---------- Prediction for ../../../examples/images/cat.jpg ----------  
2. 0.9784 - "deer"  
3. 0.0100 - "cat"  
4. 0.0094 - "bird"  
5. 0.0017 - "frog"  
6. 0.0004 - "dog"  

 

參考博文：http://blog.csdn.net/zb1165048017/article/details/51476516

WINDOWS+VS2013下產生caffe並進行cifar10分類測試