Caffe学习笔记之 ——在Windows下的完全配置

按照循序渐进的思想 首先配置无GPU加速的caffe

需要注意的几个点：

1） caffe-master\windows将CommonSettings.props.example重命名为CommonSettings.props

2） CommonSettings.props下更改

<CpuOnlyBuild>true</CpuOnlyBuild>
<UseCuDNN>false<UseCuDNN>

3) 在VS2013下打开caffe.sln 注意要把 报警视为错误更改为否 debug更改为release 要先生成libcaffe 然后可以对整个工程进行生成

4) 然后就是等待编译完成，Windows下Nuget工具会自动获取预编译的caffe依赖包

5）测试MNIST数据集

5.1要注意是LDB数据 还是 LMDB 数据，数据的训练集和测试集的文件夹

在lenet_train_text.prototxt中：



5.2 在lenet_solver.prototxt中要把solver mode 更改成与CommonSettings 中的设置对应



6）在cmd中敲指令进入到caffe-master中

Build\x64\Release\caffe.exe train –solver examples\mnist\lenet_solver.prototxt

跑通MNIST数据集



图 1 MNIST测试结果 accuracy 0.9912

有GPU版本的caffe

安装带有CUDA cudnn GPU加速环境下的caffe &&总结出model层类型的常用参数



Cuda和cudnn必须匹配，不匹配会报错 按上面无GPU版caffe安装进行配置，原来的false改成true即可：不同之处

1）cudnn path：



2）Python 和 MATLAB 路径 ，Python需要依赖numpy，否则编译会报错



重新跑MNIST和自己的数据库：

需要注意的几个地方：

1） 路径就都不多说了，写绝对路径肯定不会错

2） 已知caffe的bug，当路径含有“ ”或者“-”字符时会报错

3） 在自己的电脑上跑caffe时 batch_size 不能调的过高 会超显存

在跑caffe时不能在电脑进行过多的I/O操作，否则GPU 会“ Data layer prefetch queue empty”，使得CPU数据读入慢于GPU计算，导致GPU处于空闲，使得计算速度下降

结论：CUDA加Cudnn的加速效果很明显，