Windows與linux下caffe配置（僅CPU）

Windows與linux下caffe配置（僅CPU）

• windows下caffe配置

  由于本人筆記本較舊，用GPU加速與CPU訓練基本差不多，是以本文僅考慮在Win CPU下安裝caffe。 

  本文在win10系統，Visual Studio 2013環境下配置caffe。

  1.下載下傳caffe 

  建議從Github中https://github.com/Microsoft/caffe下載下傳caffe壓縮包，解壓後得到caffe-master檔案夾。 

  2.進入加壓後的caffe-master\windows檔案夾,将檔案CommonSettings.props.example重命名為CommonSettings.props,修改其内容如下： 

  因為僅使用的是CPU是以修改如下： 

  

  如果想使用python和matlab接口，将其開關打開，并且将其路徑配置如下：（注：python與matlab路徑為你的安裝路徑） 

  

  

  3.編譯caffe， （注：編譯時請聯網。 NuGet 會自動下載下傳程式包）用Visual Studio 2013打開windows檔案夾下的Caffe.sln，檢視檔案是否導入成功，檔案清單如下： 

  

  配置屬性設定如下： 

  （注：編譯時請聯網。 NuGet 會自動下載下傳程式包） 

  設定libcaffe為啟動項目，點選生成解決方案即可。

         4.測試（下面測試執行個體引用http://blog.csdn.net/guoyk1990/article/details/52909864）           

            1）下載下傳MNIST資料集，MNIST資料集包含四個檔案，如表1所示：

             表1：MNIST資料集及其檔案解釋

檔案	内容
train-images-idx3-ubyte.gz	訓練集圖檔 - 55000 張 訓練圖檔, 5000 張 驗證圖檔
train-labels-idx1-ubyte.gz	訓練集圖檔對應的數字标簽
t10k-images-idx3-ubyte.gz	測試集圖檔 - 10000 張 圖檔
t10k-labels-idx1-ubyte.gz	測試集圖檔對應的數字标簽

            下載下傳完後解壓得到對應的四個檔案，這四個檔案不能直接用于caffe的訓練和測試。需要利用第4步生成的convert_mnist_data.exe把四個檔案換             為caffe所支援的leveldb或lmdb檔案。

          2）轉換 訓練\測試資料

                    a)  中的四個檔案放到 . \examples\mnist\mnist_data檔案夾下。

                    b)  在caffe-windows安裝的根目錄下，建立一個convert-mnist-data-train.bat檔案轉換為訓練資料，并在檔案中添加代碼:                  

Build\x64\Release\convert_mnist_data.exe --backend=lmdbexamples\mnist\mnist_data\train-images.idx3-ubyteexamples\mnist\mnist_data\train-labels.idx1-ubyte examples\mnist\mnist_data\mnist_train_lmdb  
              pause  
           

                        其中--backend=lmdb 表示轉換為lmdb格式，若要轉換為leveldb将其改寫為--backend=leveldb 即可。

                        再建立一個convert-mnist-data-test.bat轉換測試資料，代碼為：

Build\x64\Release\convert_mnist_data.exe --backend=lmdb examples\mnist\mnist_data\t10k-images.idx3-ubyte examples\mnist\mnist_data\t10k-labels.idx1-ubyte examples\mnist\mnist_data\mnist_test_lmdb  
              Pause 
           

                         Ps：（1）convert_mnist_data.exe的指令格式為：

                                                 convert_mnist_data [FLAGS] input_image_file input_label_file output_db_file

                                              [FLAGS]：轉換的檔案格式可取leveldb或lmdb，示例：--backend=leveldb

                                              Input_image_file:輸入的圖檔檔案，示例：train-images.idx3-ubyte

                                              input_label_file：輸入的圖檔标簽檔案，示例：train-labels.idx1-ubyte

                                              output：儲存輸出檔案的檔案夾，示例：mnist_train_lmdb

                                  （2）如果感覺很麻煩，也可以直接下載下傳作者轉換好的MNIST檔案（leveldb和lmdb）。

             3）運作測試

                        （1）将第2）步中轉換好的訓練\測試資料集（mnist_train_lmdb\ mnist_train_lmdb或mnist_train_leveldb\mnist_train_leveldb）                                           檔案夾放在.\examples\mnist中。

                         （2）在caffe-windows根目錄下建立一個run.bat，檔案中代碼：                    

Build\x64\Release\caffe.exe  train --solver=examples/mnist/lenet_solver.prototxt  
                         pause 
           

• Linux下caffe配置

  1.安裝caffe依賴包

  sudo apt-get install git 
  sudo apt-get install libprotobuf-dev liblevelb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler 
  sudo apt-get install –no-install-recommends libboost-all-dev 
  sudo apt-get install libatlas-base-dev 
  sudo apt-get install python-dev 
  sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev 
  sudo apt-get install build-essential
             

  2.下載下傳caffe包 

  在終端輸入指令

  git clone git://github.com/BVLC/caffe.git
             

  3.修改Makefile.config.example檔案 

  cd caffe 
  mv Makefile.config.example Makefile.config 
             

  打開Makefile.config修改如下： 

  

• 4.編譯caffe 

  make all 
  make test 
  make runtest 
             

  5.配置pycaffe依賴包 

  打開caffe安裝包下python檔案夾下requirements.txt，這個檔案中說明了配置python接口的各種庫檔案的的條件， 

  

  上述庫檔案安裝指令如下： 

  sudo apt-get install python-numpy python-scipy python-matplotlib python-sklearn python-skimage python-h5py python-protobuf python-leveldb python-networkx python-nose python-pandas python-gflags Cython ipython 
  sudo apt-get install protobuf-c-compiler protobuf-compiler 
  sudo apt-get install python-matplotlib python-numpy python-pil python-scipy 
  sudo apt-get install build-essential cython 
             

  使用sudo pip install -r ./python/requirements.txt查漏，也可以直接使用這個指令安裝，但速度較慢。

  6.編譯pycaffe 

  make pycaffe 
             

  7.測試是否安裝成功 

  在終端直接打開python 

  import caffe; 
             

  不報錯誤即安裝成功