WIn10下如何使用administra

1. win10下如何使用matcaffe

win10下如何使用matcaffe

1.win10caffe安装后怎么使用

整了一晚上加一上午。网上关于python的记录较少，这里写一下。

这里的环境是WIN10+cuda v7.5 +cudnn v4 + opencv + pycharm+VS2013

使用的是GPU，我的GPU是titan16G+内存32G

首先是caffe的文件以及第三方库的编译，这里提供一个已经编译好的的连接，我就是从那里下好然后编译完毕的。

点击打开链接 happynear的

然后就是如何编译python接口。

1、首先先生成两个python文件，在src/caffe/proto/extract_proto.bat 里生成caffe_pb2.py 这个之后有用。

2、然后打开已经给好的caffe/buildVS2013，打开里面已经有的工程文件，正常的情况下应该是有7个工程，选中pycaffee单独作为要编译的项目。如图所示：

把pycaffe作为单启动。注意需要在release x64位下编译。

如果没有这个的话，就将这个文件夹里python文件夹中的项目加入即可。如果没有python项目，就自己建一个，将python文件夹里的cpp文件加入就可以了。

3、选择pycaffe的属性，将配置属性下的VC++目录中的包含目录和库目录填上你python所在的include和libs 再在C/C++的目录下的附加包含目录一项中添加

以我的python为例。D:/python27/Lib;D:/python/include/ 以及D:/Python27/Lib/site-packages/numpy/core/include 如果你安装了CUDNN这里可以在预处理器那里把USE_CUDNN加上，同时在LINKER的输入目录下的附加依赖库中加入cudnn的lib文件。

3、开始编译即可。这里要注意一定要和caffe、caffelib在一个项目里编译，否则会报错。

4、编译成功后会在caffe/python/caffe下生成_caffe.pyd 是打不开的

5、配置python环境：需要几个额外库

Cython>=0.19.2

numpy>=1.7.1

scipy>=0.13.2

scikit-image>=0.9.3

matplotlib>=1.3.1

ipython>=3.0.0

h5py>=2.2.0

leveldb>=0.191

networkx>=1.8.1

nose>=1.3.0

pandas>=0.12.0

python-dateutil>=1.4,<2

protobuf>=2.5.0

python-gflags>=2.0

pyyaml>=3.10

Pillow>=2.3.0

six>=1.1.0

其中numpy要装MKL版本的，不然scipy装上了BLAS不能用

leveldb没有windows版本的，不过我找到了可以使用的办法。见这个博客：

点击打开链接

如果有pip install 装不上的，可以上这个网站找 wheel文件安装就可以了

点击打开链接

6、最后把目录中python下的caffe文件夹复制到python27/Lib/site-packages就可以了。

测试的时候只需要在控制台下输入import caffe 看能载入就知道成功了：）

2.win10caffe安装后怎么使用

整了一晚上加一上午。网上关于python的记录较少，这里写一下。

这里的环境是WIN10+cuda v7.5 +cudnn v4 + opencv + pycharm+VS2013

使用的是GPU，我的GPU是titan16G+内存32G

首先是caffe的文件以及第三方库的编译，这里提供一个已经编译好的的连接，我就是从那里下好然后编译完毕的。

点击打开链接 happynear的

然后就是如何编译python接口。

1、首先先生成两个python文件，在src/caffe/proto/extract_proto.bat 里生成caffe_pb2.py 这个之后有用。

2、然后打开已经给好的caffe/buildVS2013，打开里面已经有的工程文件，正常的情况下应该是有7个工程，选中pycaffee单独作为要编译的项目。如图所示：

把pycaffe作为单启动。注意需要在release x64位下编译。

如果没有这个的话，就将这个文件夹里python文件夹中的项目加入即可。如果没有python项目，就自己建一个，将python文件夹里的cpp文件加入就可以了。

3、选择pycaffe的属性，将配置属性下的VC++目录中的包含目录和库目录填上你python所在的include和libs 再在C/C++的目录下的附加包含目录一项中添加

3、开始编译即可。这里要注意一定要和caffe、caffelib在一个项目里编译，否则会报错。

4、编译成功后会在caffe/python/caffe下生成_caffe.pyd 是打不开的

5、配置python环境：需要几个额外库

Cython>=0.19.2

numpy>=1.7.1

scipy>=0.13.2

scikit-image>=0.9.3

matplotlib>=1.3.1

ipython>=3.0.0

h5py>=2.2.0

leveldb>=0.191

networkx>=1.8.1

nose>=1.3.0

pandas>=0.12.0

python-dateutil>=1.4,<2

protobuf>=2.5.0

python-gflags>=2.0

pyyaml>=3.10

Pillow>=2.3.0

six>=1.1.0

其中numpy要装MKL版本的，不然scipy装上了BLAS不能用

leveldb没有windows版本的，不过我找到了可以使用的办法。见这个博客：

点击打开链接

如果有pip install 装不上的，可以上这个网站找 wheel文件安装就可以了

点击打开链接

6、最后把目录中python下的caffe文件夹复制到python27/Lib/site-packages就可以了。

测试的时候只需要在控制台下输入import caffe 看能载入就知道成功了：）

3.如何调用caffe

Caffe是目前深度学习比较优秀好用的一个开源库，采样c++和CUDA实现，具有速度快，模型定义方便等优点。

学习了几天过后，发现也有一个不方便的地方，就是在我的程序中调用Caffe做图像分类没有直接的接口。Caffe的数据层可以从数据库（支持leveldb、lmdb、hdf5）、图片、和内存中读入。

我们要在程序中使用，当然得从内存中读入，我们首先在模型定义文件中定义数据层：layers { name: "mydata" type: MEMORY_DATA top: "data" top: "label" transform_param { scale: 0.00390625 } memory_data_param { batch_size: 10 channels: 1 height: 24 width: 24 } } 这里必须设置memory_data_param中的四个参数，对应这些参数可以参见源码中caffe.proto文件。现在，我们可以设计一个Classifier类来封装一下：#ifndef CAFFE_CLASSIFIER_H#define CAFFE_CLASSIFIER_H#include #include #include "caffe/net.hpp"#include "caffe/data_layers.hpp"#include using cv::Mat; namespace caffe { template class Classifier { public: explicit Classifier(const string& param_file, const string& weights_file); Dtype test(vector &images, vector &labels, int iter_num); virtual ~Classifier() {} inline shared_ptr > net() { return net_; } void predict(vector &images, vector *labels); void predict(vector &data, vector *labels, int num); void extract_feature(vector &images, vector> *out); protected: shared_ptr > net_; MemoryDataLayer *m_layer_; int batch_size_; int channels_; int height_; int width_; DISABLE_COPY_AND_ASSIGN(Classifier); }; }//namespace #endif //CAFFE_CLASSIFIER_H 构造函数中我们通过模型定义文件（.prototxt）和训练好的模型（.caffemodel）文件构造一个Net对象，并用m_layer_指向Net中的memory data层，以便待会调用MemoryDataLayer中AddMatVector和Reset函数加入数据。

#include #include #include #include #include "caffe/net.hpp"#include "caffe/proto/caffe.pb.h"#include "caffe/util/io.hpp"#include "caffe/util/math_functions.hpp"#include "caffe/util/upgrade_proto.hpp"#include "caffe_classifier.h" namespace caffe { template Classifier::Classifier(const string& param_file, const string& weights_file) : net_() { net_.reset(new Net(param_file, TEST)); net_->CopyTrainedLayersFrom(weights_file); //m_layer_ = (MemoryDataLayer*)net_->layer_by_name("mnist").get(); m_layer_ = (MemoryDataLayer*)net_->layers()[0].get(); batch_size_ = m_layer_->batch_size(); channels_ = m_layer_->channels(); height_ = m_layer_->height(); width_ = m_layer_->width(); } template Dtype Classifier::test(vector &images, vector &labels, int iter_num) { m_layer_->AddMatVector(images, labels); // int iterations = iter_num; vector* > bottom_vec; vector test_score_output_id; vector test_score; Dtype loss = 0; for (int i = 0; i Dtype iter_loss; const vector*>& result = net_->Forward(bottom_vec, &iter_loss); loss += iter_loss; int idx = 0; for (int j = 0; j const Dtype* result_vec = result[j]->cpu_data(); for (int k = 0; k count(); ++k, ++idx) { const Dtype score = result_vec[k]; if (i == 0) { test_score.push_back(score); test_score_output_id.push_back(j); } else { test_score[idx] += score; } const std::string& output_name = net_->blob_names()[ net_->output_blob_indices()[j]]; LOG(INFO) } } } loss /= iterations; LOG(INFO) return loss; } template void Classifier::predict(vector &images, vector *labels) { int original_length = images.size(); if(original_length == 0) return; int valid_length = original_length / batch_size_ * batch_size_; if(original_length != valid_length) { valid_length += batch_size_; for(int i = original_length; i { images.push_back(images[0].clone()); } } vector valid_labels, predicted_labels; valid_labels.resize(valid_length, 0); m_layer_->AddMatVector(images, valid_labels); vector* > bottom_vec; for(int i = 0; i { const vector*>& result = net_->Forward(bottom_vec); const Dtype * result_vec = result[1]->cpu_data(); for(int j = 0; j count(); j++) { predicted_labels.push_back(result_vec[j]); } } if(original_length != valid_length) { images.erase(images.begin()+original_length, images.end()); } labels->resize(original_length, 0); std::copy(predicted_labels.begin(), predicted_labels.begin() + original_length, labels->begin()); } template void Classifier::predict(vector &data, vector *labels, int num) { int size = channels_*height_*width_; CHECK_EQ(data.size(), num*size); int original_length = num; if(original_length == 0) return; int valid_length = original_length / batch_size_ * batch_size_; if(original_length != valid_length) { valid_length += batch_size_; for(int i = original_length; i { for(int j = 0; j data.push_back(0); } } vector predicted_labels; Dtype * label_ = new Dtype[valid_length]; memset(label_, 0, valid_length); m_layer_->Reset(data.data(), label_, valid_length); vector* > bottom_vec; 。

4.如何快糙好猛地在Windows下编译CAFFE并使用其matlab接口

一、准备需要用到的东西我已经帮大家全部准备好了，有我自己亲手制作的第三方库，在源码的根目录下建立个3rdparty文件夹，把文件解压进去就可以了。

解压好之后，要将3rdparty/bin文件夹添加到系统目录，这样才能让程序找到这些第三方库的dll。然后是Visual Studio 2012，因为我的第三方库都是VS2012环境下编译的，所以用其他版本VS的请自行编译。

最后是CUDA和MKL了，MKL是可选的，大家可以去Intel官方申请，如果不用cpu模式的话其实也无所谓，在第三方库包中我还提供了openblas的库文件。二、编译编译非常简单，分为以下几步： 1、双击./src/caffe/proto/extract_proto.bat批处理文件来生成caffe.pb.h 和caffe.pb.cc两个c++文件，和caffe_pb2.py这个python使用的文件。

2、打开./build/MSVC/MainBuilder.sln，打开之后切换编译模式至Release X64模式。如果打开之后显示加载失败，可能你的CUDA版本和我的不一致，我的是CUDA 6.5版，这时就要用记事本打开./build/MSVC/MainBuilder.vcxproj，搜索CUDA 6.5，把这个6.5换成你自己的CUDA版本，就可以正常打开了。

3、右键点击左边的MainCaller项目，选择属性，在C/C++选项卡中，把附加包含目录中的cuda include目录改成你自己的；在链接器选项卡中，，把附加库目录中的cuda library目录也改成你自己的。 4、点上边工具栏中的绿色三角编译吧。

如果要用matlab wrapper来提取特征、观察训练好的权重的话呢，只需要把matcaffe项目里面的cuda、matlab目录修改成你自己的，然后编译，你就能从matlab/caffe文件夹里面找到一个叫caffe.mexw64的文件啦。 python的wrapper类似，把pycaffe项目里的目录改成你自己的，就能在python/caffe文件夹中生成_caffe.pyd的python dll文件。

5.mat文件怎么打开win10

在按照教程安装MATLAB7.0后，桌面上将会出现图标，此时点击图标，一般都无法打开。报错一般有两种情况，一种是兼容性问题，一种是显示问题

若是兼容性问题，在右键-属性-兼容性-以兼容模式运行中可以调整，然后进行尝试，一般调到XP SP2就能运行。

若在上个步骤多次尝试仍不奏效，需要调节matlab显示设置，一种方法参照其他论坛里的更改环境参数的方法，另一种只需右键-以图形处理器运行-选择集成显卡…………你会惊喜地发现MATLAB能正常运行~~

6.如何在Windows环境下配置Caffe

整了一晚上加一上午。网上关于python的记录较少，这里写一下。

这里的环境是WIN10+cuda v7.5 +cudnn v4 + opencv + pycharm+VS2013

使用的是GPU，我的GPU是titan16G+内存32G

首先是caffe的文件以及第三方库的编译，这里提供一个已经编译好的的连接，我就是从那里下好然后编译完毕的。

点击打开链接 happynear的

然后就是如何编译python接口。

1、首先先生成两个python文件，在src/caffe/proto/extract_proto.bat 里生成caffe_pb2.py 这个之后有用。

2、然后打开已经给好的caffe/buildVS2013，打开里面已经有的工程文件，正常的情况下应该是有7个工程，选中pycaffee单独作为要编译的项目。如图所示：

把pycaffe作为单启动。注意需要在release x64位下编译。

如果没有这个的话，就将这个文件夹里python文件夹中的项目加入即可。如果没有python项目，就自己建一个，将python文件夹里的cpp文件加入就可以了。

3、选择pycaffe的属性，将配置属性下的VC++目录中的包含目录和库目录填上你python所在的include和libs 再在C/C++的目录下的附加包含目录一项中添加

3、开始编译即可。这里要注意一定要和caffe、caffelib在一个项目里编译，否则会报错。

4、编译成功后会在caffe/python/caffe下生成_caffe.pyd 是打不开的

5、配置python环境：需要几个额外库

Cython>=0.19.2

numpy>=1.7.1

scipy>=0.13.2

scikit-image>=0.9.3

matplotlib>=1.3.1

ipython>=3.0.0

h5py>=2.2.0

leveldb>=0.191

networkx>=1.8.1

nose>=1.3.0

pandas>=0.12.0

python-dateutil>=1.4,<2

protobuf>=2.5.0

python-gflags>=2.0

pyyaml>=3.10

Pillow>=2.3.0

six>=1.1.0

其中numpy要装MKL版本的，不然scipy装上了BLAS不能用

leveldb没有windows版本的，不过我找到了可以使用的办法。见这个博客：

点击打开链接

如果有pip install 装不上的，可以上这个网站找 wheel文件安装就可以了

点击打开链接

6、最后把目录中python下的caffe文件夹复制到python27/Lib/site-packages就可以了。

测试的时候只需要在控制台下输入import caffe 看能载入就知道成功了：）

7.如何快糙好猛地在windows下编译caffe并使用其matlab和python接口

1.安装使用PyInstaller需要安装PyWin32。

下载与Python对应的PyInstaller版本，解压后就算安装好了。2.生成exe文件Python程序的目录为 F:\hello.py在命令行中进入pyinstaller所在的目录，运行python pyinstaller.py F:\hello.py 在PyInstaller-2.1目录下，生成文件夹hellohello目录下有文件exe文件在dist目录下如果将python文件复制到 pyinstaller.py 所在目录下，则运行 python pyinstaller.py hello.py。