标签: windowsvs2013caffecifar10
caffe搭建--WINDOWS+VS2013下生成caffe并进行cifar10分类测试 分类:

1.下载vs2013,安装

 

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

 

2.下载caffe源代码,解压

 

https://github.com/Microsoft/caffe

将caffe-master/windows下CommonSettings.props.example后面的.example去掉。

 

3.gpu配置

 

带gpu的配置:

下载cuda:

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

根据自己的显卡选择下载的版本

双击exe进行安装

下载cudnn:

https://developer.nvidia.com/cudnn

下载v4或v5版本

解压后分别将lib、include、bin文件夹下的文件复制到cuda安装目录下的lib、include、bin文件夹下

(默认为:c:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vx.x)

 

无gpu的配置:

记事本打开caffe-master/windows下的CommonSettings.prop修改:

<CpuOnlyBuild>false</CpuOnlyBuild>为<CpuOnlyBuild>true</CpuOnlyBuild>

<UseCuDNN>true</UseCuDNN>为<UseCuDNN>false</UseCuDNN>

 

编译每个项目前设置:

项目->属性->配置属性->c/c++->预处理器->预处理器定义,添加一项CPU_ONLY

 

4.生成libcaffe

 

打开caffe-mastetr/windows下的Caffe.sln

所有项目都要用到libcaffe.lib,所以第一个要编译这个项目。

libcaffe有很多相关的库,工程里已经配置好了可以用NuGet进行下载。

我们需要安装NuGet包管理器并启动它。

 

下载Nuget:

工具->扩展和更新->联机,搜索NuGet,下载Nuget 包管理

(也可以网站直接下载http://docs.nuget.org/consume/installing-nuget,双击安装)

 

启动Nuget:

右键工程->启用NuGet程序包还原。

 

接着生成libcaffe会在caffe-master\Build\x64\Debug下生成libcaffe.lib

(后续所有的exe文件也都是生成在这个目录)

 

5.cifar10训练数据

 

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

下载数据到caffe-master\data\cifar10,解压。

下载的数据为binary格式,需要转换为leveldb。

编译convert_cifar_data项目,生成convert_cifar_data.exe。

打开cmd,cd到caffe-master\Build\x64\Debug,输入命令(后续所有命令都是在这个路径下):

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

在caffe-master\data\cifar10文件夹下生成cifar10_test_leveldb和cifar10_train_leveldb文件夹

 

6.求数据图像均值

 

编译compute_image_mean项目,生成compute_image_mean.exe

cmd输入命令:

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

 

7.训练cifar10模型

 

打开caffe-master\examples\cifar10\cifar10_quick_solver.prototxt文件:

修改路径:examples/cifar10 为 ../../../examples/cifar10(两处)

修改最后一行为:solver_mode: CPU(用gpu就不用改这一项)

 

打开caffe-master\examples\cifar10\ cifar10_quick_train_test.prototxt文件:

修改backend: LMDB 为 backend: LEVELDB(两处)

修改mean_file: "examples/cifar10/mean.binaryproto" 为 mean_file:"../../../data/cifar10/mean.binaryproto"(两处)

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

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

 

编译caffe项目,生成caffe.exe

cmd输入命令:caffe.exe train --solver=../../../examples/cifar10/cifar10_quick_solver.prototxt  训练网络

CPU训练会训练好久,训练完成后caffe-master/examples/cifar10文件夹下生成

cifar10_quick_iter_4000.caffemodel.h5

cifar10_quick_iter_4000.solverstate.h5

 

8.对图像进行分类

 

在caffe-master\data\cifar10下新建文本文件synset_words.txt。

文件内容是cifar10里面包含的分类种类,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  

 

编译classification项目,生成classification.exe

命令行输入:

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

就会出来分类结果,我的结果:

 

[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"  

 

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

分类:

技术点:

相关文章: