眾所周知，如果你想研究Deep Learning，那麼比較常用的配置是Linux+GPU，不過現在很多非計算機專業的同學有時也會想採用Deep Learning方法來完成一些工作，那麼Linux+GPU的環境就有可能會給他們帶來一定困擾，我寫這篇文章就是為了讓這些同學可以不用去裝Linux系統，不用去涉及GPU，就可以基於Caffe框架跑出一個簡單的神經網路。

CNN基礎知識：https://zhuanlan.zhihu.com/p/22038289?refer=intelligentunit（沒基礎的還應該另外瞭解一些神經網路演算法的基礎知識，例如前饋傳遞，BP演算法等，有基礎的也推薦再通過這個連結鞏固一番，以下的文章會假設你對於CNN有比較全面和紮實的理解）

所需系統環境：windows7 sp1及以上系統，win7 sp1以下的會不會有什麼錯誤我不知道，對了，是64位系統哦~

其他環境：Visual Studio 2013，cygwin 2.871（其他版本應該也可以，主要是用來在windows系統上模擬一個非常簡易的linux環境，因為應用上只會用到一些很基礎的命令，所以早一點的版本也無所謂）

Windows版Caffe框架：https://github.com/Microsoft/caffe

首先，需要將windows版本的Caffe框架下載到本地，隨便下到哪都行，然後隨便解壓縮到哪都行，我解壓完之後，Caffe框架的根目錄就是H:\caffe-master\caffe-master。解壓完之後，我們可以很明顯地發現，這個框架還是一塊未編譯的“生肉”，是不能直接使用的，所以我們需要利用VS2013對其進行編譯，但是在此之前，還有一個步驟，因為我們是小窮逼，我們沒有動輒上萬的GPU，但是賈大神所在的土豪實驗室有用不完的GPU，所以這裡預設的還是GPU模式的框架，我們需要對這一點進行修改，具體方式就是修改根目錄中windows資料夾中的CommonSettings.props.example檔案，具體修改方式是：

一、將該檔案重新命名為CommonSettings.props；

二、將該檔案中的

<CpuOnlyBuild>false</CpuOnlyBuild>
<UseCuDNN>true</UseCuDNN>

改為

<CpuOnlyBuild>true</CpuOnlyBuild>
<UseCuDNN>false</UseCuDNN>

至於這裡面的CuDNN是什麼，之後會提到，現在先不用瞭解~

三、儲存該檔案。

在將框架改為CPU模式之後，就可以雙擊開啟windows資料夾中的Caffe.sln檔案，然後在VS2013中點選最上方的生成->重新生成解決方案即可，需要注意的是，進行這一步之前最好將Debug模式改成Release，就像這樣。

經過一段時間的編譯，在VS2013下端的顯示臺上會顯示生成成功的資訊，這時候這個框架就編譯完成了，而生成的可執行檔案caffe.exe的位置在根目錄中的Build\x64\Release之中，同時還會生成一大堆的依賴包和各類庫，這裡各位先不用在意，今天的任務主要會和caffe.exe發生接觸。

編譯好了框架之後，可以說是萬事俱備，只欠資料集和網路模型了，在第一次的嘗試中，CSDN的卜居大神所推崇的使用Yann LeCun大神（我習慣於說成楊樂村大神）提出的LeNet-5網路模型來進行對MNIST資料集的學習是非常適合的。

MNIST資料集是一個手寫數字的資料庫，所以可想而知，這次訓練的目的是讓你的計算機學會“看懂數字”。

MNIST資料集在哪裡獲取呢？Caffe框架已經為你想到了這一點，所以在H:\caffe-master\caffe-master\data\mnist中的get_mnist.sh指令碼就是用來幫你下載這個資料集的，理論上，這個指令碼的執行需要Linux的環境支援，但是我們現在用的是windows環境，怎麼辦呢？很簡單，還記得之前所說的cygwin嗎？沒錯，就用它！有關cygwin的安裝和配置可以看看這個http://www.cygwin.cn/site/install/。

現在，你已經安裝好了cygwin，並已經將其雙擊開啟，只需要在這個黑框框裡如下輸入，然後回車，就會為你自動下載MNIST資料集（注意，如果不FQ是沒有辦法下載的，推薦一下我一直用的Psiphon3，這個名字一搜就能搜到，你們懂的）。

（忽略我的電腦名字是Celia，用的實驗室的機器，懶得改了。。。）

這時候，你會發現在data\mnist資料夾中出現了

，也就是說，MNIST資料集已經成功地下載下來了。

那麼這個資料集是不是可以直接用了呢？答案是不能。為什麼呢？因為到這一步為止，我們的資料集還只是二進位制檔案，需要轉換為lmdb檔案才可以被Caffe框架識別，所以這其中還有一個轉換的過程，對於windows使用者來說，這個轉換是比較煩的，以至於我自己也沒有試過，但是由於我之前一直在Ubuntu系統中使用這個框架，所以我們可以採用如下的兩種方法：

一、在Ubuntu系統中，首先cd進Caffe框架的根目錄，之後只需通過簡單的一行命令：

./examples/mnist/create_mnist.sh

即可完成資料的轉換工作，那麼因為這裡我們不希望去使用Ubuntu，所以我比較推薦第二種方法。

二、去網上找資源。。。MNIST資料集的lmdb檔案在網上是容易找到的，這裡我也用我的網盤分享了一份，http://pan.baidu.com/s/1o86O7Xo。

假設你是從我的網盤下載的，那麼現在只需要把這個下載下來的檔案解壓，然後把解壓出來的mnist_train_lmdb以及mnist_test_lmdb資料夾放到examples/mnist中即可。

至於我們使用的LeNet-5模型，眼尖的同學應該已經發現了，早就已經存在於examples/mnist資料夾中了。

現在，我們有了框架，有了資料集，有了模型，那麼就快要大功告成了。接下來，只需要在windows自帶的cmd命令列介面中如下輸入：

之後按下回車，就大功告成啦，只需在黑框框中不斷跳文字的過程中靜靜地等待即可。。。這個訓練時間主要和你的計算機的配置有關，訓練完成時的狀態是這樣的：

可以看到，最終的正確率達到了驚人的99.09%，而損失也降到了0.026495。通過訓練之後生成的權重也儲存在了mnist資料夾中的lenet_iter_10000.caffemodel之中。這時候，我們可以通過訓練好的模型來對測試集進行測試。測試所需程式碼如下：

最後，我們可以發現這個模型在測試集上的正確率達到了非常驚人的程度。

這樣，我們就可以說，你的計算機上成功地誕生了神經網路，而你的計算機同時也成功學會了“認識數字”。

備註：本人非常樂意分享我的文章，轉載請註明我的部落格地址：http://www.cnblogs.com/matthewli/與原文地址：http://www.cnblogs.com/matthewli/p/6048907.html，謝謝！