Caffe+VS+CUDA75+Matlab配置流程Word文档格式.docx
《Caffe+VS+CUDA75+Matlab配置流程Word文档格式.docx》由会员分享，可在线阅读，更多相关《Caffe+VS+CUDA75+Matlab配置流程Word文档格式.docx（19页珍藏版）》请在冰豆网上搜索。
7.4打开gflags.sln，右键生成32位/64位的Debug/Release库
8Glog配置
下载Glog库，解压。
打开根目录下google-glog.sln，右键生成32位/64位的Debug/Release库
9LevelDB配置
9.1下载LevelDB库，解压。
9.2点Configure，选择“Visual
9.3设置Boost路径
Boost_INCLUDE_DIR:
D:
\boost_1_59_0
9.3点Configure后，点Generate，生成leveldb.sln
9.4打开leveldb.sln，右键生成32位/64位的Debug/Release库
注：
第1次生成后，会有几项失败的，再右键生成1次便可。
10LMDB配置
10.1下载LMDB库，解压。
10.2打开VisualStudio，文件->
新建->
从现有代码创建项目
10.3选上源代码文件夹，并命名项目
10.4下一步，项目类型：
控制台应用程序项目
10.5完成后，设置：
项目属性->
配置属性->
配置类型：
静态库（.lib）
10.6添加unistd.h、getopt.h、getopt.c到工和源文件里
unistd.h下载地址：
getopt.h、getopt.c下载地址：
http:
//ieng6.ucsd.edu/~cs12x/vc08install/getopt9.zip
10.7把包含#include<
unistd.h>
改为#include"
unistd.h"
，接着，右键生成32位/64位的Debug/Release库
11ProtoBuf配置
下载ProtoBuf库，解压。
打开根目录/vsprojects/protobuf.sln，分别右键libprotobuf、libprotoc、protoc生成32位/64位的Debug/Release库
12HDF5安装
下载HDF5安装包hdf5-1.8.16-win64-vs2013-shared.zip，装完后：
***************************************
经过上面的准备，下面开始配置caffe
1下载Berkeley官方caffe库，解压出一个caffe-master文件夹（即根目录）。
2其他辅助工具：
链接：
密码：
v0gq
3准备第3方库，在caffe根目录下建3rdparty文件夹，再建如下子文件夹：
把前面生成的dll库、lib库、.h头文件，放在对应的文件夹里。
bin、include、lib里的文件如下图，3rdparty.7z下载地址：
4h9p
4打开VisualStudio，在根目录下新建一个项目名为caffe的空项目，并设置为x64Release平台，下面只讲解此平台的配置，Debug平台与此类似。
4.1右键项目名->
生成依赖项->
生成自定义：
勾选CUDA7.5
4.2在编译protobuf时已生成protoc.exe，把它拷到\src\caffe\proto目录下，打开cmd，到该目录下输入：
protoccaffe.proto--cpp_out=./将生成caffe.pb.cc和caffe.pb.h文件。
4.3把与\src\caffe对应的所有文件及文件夹添加进工程里（test文件夹可以不加）
4.4配置相关路径及选项，以下绝对路径需要根据实际作修改，打开项目属性：
常规->
输出目录：
..\bin
VC++目录->
包含目录：
..\..\src
..\..\include
..\..\3rdparty\include
..\..\3rdparty\include\hdf5
..\..\3rdparty\include\lmdb
..\..\3rdparty\include\openblas
\opencv2.4.10\build\include
\opencv2.4.10\build\include\opencv
\opencv2.4.10\build\include\opencv2
C:
\ProgramFiles\NVIDIAGPUComputingToolkit\CUDA\v7.5\include
库目录：
..\..\3rdparty\lib
\boost_1_59_0\stage\lib
\opencv2.4.10\build\x64\vc12\lib
\ProgramFiles\NVIDIAGPUComputingToolkit\CUDA\v7.5\lib\x64
链接器->
输入->
附加依赖项：
cuda.lib
cudnn.lib
cudart.lib
curand.lib
gflags.lib
cublas.lib
libglog.lib
libprotoc.lib
libprotobuf.lib
libopenblas.dll.a
lmdb.lib
leveldb.lib
shlwapi.lib
szip.lib
zlib.lib
libhdf5.lib
libhdf5_hl.lib
opencv_core2410.lib
opencv_highgui2410.lib
opencv_imgproc2410.lib
C/C++->
预处理器->
预处理器定义：
USE_LMDB
USE_OPENCV
USE_LEVELDB
_CRT_SECURE_NO_WARNINGS
_SCL_SECURE_NO_WARNINGS
CUDAC/C++->
Common->
TargetMachinePlatform：
64-bit
Device->
CodeGeneration：
compute_20,sm_20
compute_30,sm_30
compute_35,sm_35
compute_50,sm_50
4.5下面开始逐步编译并修改bug
（1）编译common.cpp，右键选择编译。
从输出错误列表中定位相应的错误：
添加：
#include<
process.h>
修改：
getpid（）->
_getpid（）
以上编译成功后才接着下面的编译
（2）编译solver.cpp
snprintf（）->
sprintf_s（）
（3）编译caffe.cpp，从根目录\tools文件夹里，把caffe.cpp添加进工程源文件中。
4.6上面几个文件编译成功后，开始生成整个项目：
生成结束后会出现大量错误，需要反复生成多次才能找出所有的错误，下面逐一修复：
（1）在cudnn.hpp文件中的cudnnGetErrorString函数名前添加：
CUDNNWINAPI
（2）在signal_handler.cpp文件中，修改：
constfloatkBNLL_THRESHOLD=50.->
#definekBNLL_THRESHOLD50.0
（3）在bnll_layer.cu文件中，添加：
#defineSIGHUP1
#defineSA_RESTART0x0002
#definesigfillset（set）（*（set）=~（sigset_t）0,0）
typedefunsignedintsigset_t;
structsigaction{
void（*sa_handler）（int）;
sigset_tsa_mask;
intsa_flags;
};
并注释这些出错语句：
if（sigaction（SIGHUP,&
sa,NULL）==-1）{
LOG（FATAL）<
<
"
CannotinstallSIGHUPhandler."
;
}
if（sigaction（SIGINT,&
CannotinstallSIGINThandler."
（4）在hdf5.cpp文件中，修改：
给switch（class_）中的每个case分支加上花括号
（5）在db_lmdb.cpp文件中，添加：
#include<
direct.h>
并把mkdir（）改为_mkdir（），且将第2个参数去除
（6）在contrastive_loss_layer.cpp文件中，修改为：
（7）在math_functions.cpp文件中，添加：
#define__builtin_popcount__popcnt
#define__builtin_popcountl__popcnt
（8）在io.cpp文件中，添加：
io.h>
并修改函数名：
open（）->
_open（）;
close（）->
_close（）
（9）在common.cpp文件中，添加：
boost/date_time.hpp>
voidinitGlog（）{
FLAGS_log_dir="
.\\log\\"
_mkdir（FLAGS_log_dir.c_str（））;
std:
:
stringLOG_INFO_FILE;
stringLOG_WARNING_FILE;
stringLOG_ERROR_FILE;
stringLOG_FATAL_FILE;
stringnow_time=boost:
posix_time:
to_iso_extended_string（boost:
second_clock:
local_time（））;
now_time[13]='
-'
now_time[16]='
LOG_INFO_FILE=FLAGS_log_dir+"
INFO"
+now_time+"
.txt"
google:
SetLogDestination（google:
GLOG_INFO,LOG_INFO_FILE.c_str（））;
LOG_WARNING_FILE=FLAGS_log_dir+"
WARNING"
GLOG_WARNING,LOG_WARNING_FILE.c_str（））;
LOG_ERROR_FILE=FLAGS_log_dir+"
ERROR"
GLOG_ERROR,LOG_ERROR_FILE.c_str（））;
LOG_FATAL_FILE=FLAGS_log_dir+"
FATAL"
GLOG_FATAL,LOG_FATAL_FILE.c_str（））;
并修改GlobalInit（）函数：
voidGlobalInit（int*pargc,char***pargv）{
//Googleflags.
gflags:
ParseCommandLineFlags（pargc,pargv,true）;
initGlog（）;
google:
InitGoogleLogging（*（pargv）[0]）;
（10）在base_data_layer.cpp文件中，初始化：
cudaStream_tstream=nullptr;
在base_data_layer.cpp文件中，初始化：
以上不一定能修复所有代码bug，如还未生成成功，请自行修复。
5上面生成成功后会在根目录\caffe\bin下生成一个caffe.exe，重命名为caffe_gpu.exe，防止被覆盖，后面将会用到。
经过上面过程，caffe已经编译完成，下面开始测试mnist库
1下载辅助工具
1.1把wget库解压，并添加环境变量：
Path=D:
\wget-1.11.4b
1.2把7za.exe、wget.exe、libiconv2.dll、libintl3.dll、libssl32.dll放进\3rdparty\bin
把get_mnist.bat放进\data\mnist
把create_mnist.bat、train_lenet.bat放进\examples\mnist
1.3双击运行\data\mnist\get_mnist.bat，将自动下载并解压mnist数据库。
或者下载已经解压好的数据库放在此路径下：
bbsb
或者到官方网站下载，解压并命名为对应的名字即可：
2添加环境变量，把\3rdparty\bin添加到环境变量中
Path=E:
\caffe3\caffe-master\3rdparty\bin
2.1把工程源文件中的caffe.cpp移除，将
\examples\mnist\convert_mnist_data.cpp添加到项目的源文件中，生成项目。
运行完后convert_mnist_data.cpp有错，需要修复：
，并把mkdir（）作如下修改：
分别对mdb_env、mdb_txn、db初始化：
2.2生成成功后，把\caffe\bin\caffe.exe重命名为convert_mnist_data.exe。
2.3下载辅助dll库：
zigr
把刚下载和之前生成的dll库放进\3rdparty\bin，有：
libquadmath-0.dll
libgcc_s_seh-1.dll
libgcc_s_sjlj-1.dll
libgfortran-3.dll
libglog.dll
libopenblas.dll
cudnn64_70.dll
2.4在\examples\mnist\下新建mnist_test_leveldb和mnist_train_leveldb两个文件夹，双击运行create_mnist.bat，生成leveldb数据格式。
或者下载已经转换好的数据放在此路径下：
jdks
3下面开始训练和测试
3.1打开lenet_train_test.prototxt文件，把里面所有的lmdb替换成leveldb。
3.2把\caffe\bin\caffe_gpu.exe重命名为caffe.cpp，再双击运行\examples\mnist\train_lenet.bat，开始训练和测试，运行结果：
以上结果是在teslak20cGPU上的测试结果，测试10000个样本大约需要165ms，准确率为：
99.01%（每次测试的结果会有点波动）。
上面程序通过修改\examples\mnist\lenet_solver.prototxt文件中的属性，可以设定不同的测试条件。
下面开始配置NVidia提供的开源库cuDNN，该库专用于深度学习框架，以提高训练效率。
1在上面工程的基础上，把convert_mnist_data.cpp移除，将根目录\tools\caffe.cpp重新添加到工程源文件中。
预处理器定义，添加：
USE_CUDNN
2把cuDNN库中的cudnn64_70.dll、cudnn.h、cudnn.lib分别拷到\3rdparty\的bin、include、lib文件夹里。
接着，右键生成项目。
3项目生成成功后，把\caffe\bin\caffe.exe备份，命名为：
caffe_cudnn.exe，以防止被覆盖（用到时把名字改回caffe.exe即可）。
4双击运行\examples\mnist\train_lenet.bat，开始训练和测试，运行结果：
以上结果是在teslak20cGPU上，使用cuDNNv3库的测试结果，测试10000个样本大约需要168ms，准确率为：
99.11%（每次测试的结果会有点波动）。
以上是在VisualStudio平台下测试的，下面开始配置MatlabR2014a。
1下载修复后的caffe_.cpp文件：
rob6
把刚下载的caffe_.cpp和matcaffe.def拷到\matlab\+caffe\private，并覆盖原有的文件。
2在上面工程的基础上，把caffe.cpp移除，将根目录\matlab\+caffe\private\caffe_.cpp添加到工程源文件中。
3配置属性，打开项目属性：
..\..\matlab\+caffe\private
目标文件名：
caffe_
目标文件扩展名：
.mexw64
\ProgramFiles\MATLAB\R2014a\extern\include
\ProgramFiles\MATLAB\R2014a\extern\include\win64
\ProgramFiles\MATLAB\R2014a\extern\lib\win64\microsoft
libmx.lib
libmex.lib
libmat.lib
模块定义文件：
../../matlab/+caffe/private/matcaffe.def
4右键生成项目，将会生成\matlab\+caffe\private\caffe_.mexw64，这是matlab的库文件。
5测试
5.1把前面下载到的bvlc_reference_caffenet.caffemodel放进\models\bvlc_reference_caffenet
5.2打开Matlab，把路径改为caffe根目录，输入：
addpath./matlab
5.3把路径改为\matlab\demo，classification_demo是一个分类函数，模型已经训练好即bvlc_reference_caffenet.caffemodel，这是1000分类的模型，调用格式：
其中，s是各类的分数，l是该图像的预测标签。
具体分类：
//www.image-net.org/challenges/LSVRC/2012/
参考网址：
//caffe.berkeleyvision.org/
升级会员 