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：

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：

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