转载请注明出处：https://gaussic.github.io
参照github上happynear的caffe-windows项目，将Caffe for Windows配置成功，并且测试了其转换好的mnist数据库，不论是速度还是结果上，效果都相当好。现总结一下配置方法。
实验环境
| 操作系统 | Windows 10 Professional |
|---|---|
| CPU | Intel Core i5-4590 |
| GPU | Nvidia GeForce GTX 970 |
| VS | Microsoft Visual Studio 2013 |
| CUDA | CUDA 7.5 |
软件安装
首先需要安装Visual Studio 2013。
然后再安装CUDA 7.5。注意先后顺序。
配置
下载整个的caffe-windows项目，解压缩到所需目录下，例如本文中 D:\caffe。
下载作者制作的三方库并解压缩到项目的3rdparty目录。解压好后，将3rdparty/bin文件夹加入到环境变量PATH中，这样程序才能找到这些三方dll。
编译
- 双击./src/caffe/proto/extractproto.bat批处理文件来生成caffe.pb.h和caffe.pb.cc两个c++文件，和caffepb2.py这个python使用的文件。
- 打开./buildVS2013/MainBuilder.sln，打开之后切换编译模式至Release X64模式。
- 修改设置中的compute capability（caffelib –> 属性 –> CUDA C/C++ –> Device –> Code Generation）
| GPU | Computer Capability |
|---|---|
| GTX660, 680, 760, 770 | compute_30,sm_30 |
| GTX780, Titan Z, Titan Black, K20, K40 | compute_35,sm_35 |
| GTX960, 970, 980, Titan X | compute_52,sm_52 |
你可以在https://en.wikipedia.org/wiki/CUDA上查看你的GPU所对应的Computer Capability。
点击工具栏绿色箭头进行编译，需要一定时间。
测试
下载作者已经转换好的MNIST的leveldb数据文件，解压到./examples/mnist文件夹中，然后运行根目录下的run_mnist.bat即可开始训练，日志会保存在./log文件夹中。可看到，迭代10000次，准确率达到了0.9925。
若有更新，请到文中所给链接处实时查看。