這幾天需要安裝caffe，但是大部分教程都沒有說怎麼在已經有tensorflow的同時安裝caffe。在這裡記錄一下，主要寫一下整個安裝過程中的大致流程，忽略詳細步驟。
首先需要安裝anaconda，這裡安裝anaconda的主要原因是，它能夠管理環境，也就是說可以將tensorflow和caffe的安裝環境隔離開。（網上有不少文章已經表示，直接將兩者裝在一個環境下會出問題）。anaconda的版本無所謂，3.6也沒關係，因為在裡面可以新建環境。

假設你已經安裝好了anaconda，開啟anaconda Navigator，建立兩個python3.5新的環境，分別命名為caffe和tensorflow。完成後，如下圖所示：

tensorflow的安裝

1、首先開啟anaconda prompt，輸入activate tensorflow，這樣表面你後續的安裝操作，都是在tensorflow這個環境下進行的。所有的安裝依賴都可以在以下目錄中查詢。

E:\studySoftware\anaconda\envs\tensorflow\Lib\site-packages

3、安裝numpy

pip install numpy

由於網路的某些原因，可能會導致通過pip安裝會很慢，可以選擇直接去https://www.lfd.uci.edu/~gohlke/pythonlibs/#xgboost該網址用ctrl+F找到並下載對應的wheel檔案，以 pip install numpy‑1.11.2+mkl‑cp35‑cp35m‑win_amd64.whl 的形式來安裝。

4、安裝tensorflow

pip install tensorflow-gpu

如果慢一樣可以下載對應的wheel檔案，輸入pip install tensorflow_gpu-0.12.0rc0-cp35-cp35m-win_amd64.whl
所有的操作要在activate tensorflow 後進行，如圖示例：（這裡還有一大堆依賴包，不一一列舉，pip能自動安裝）

5、測試tensorflow
進入python，輸入import tensorflow as tf，若這句話通過，基本上就可以表明tensorflow安裝成功

安裝caffe

1、首先開啟anaconda prompt，一樣輸入activate caffe，所有的安裝依賴一樣也都可以在以下目錄中查詢。

E:\studySoftware\anaconda\envs\caffe\Lib\site-packages

2、上面已經安裝過CUDA8.0和cudnn5.1了，所以這邊可以跳過。

3、安裝visual stduio 2015，我這邊用的是2015版，官網上說2013也可以

4、安裝cmake，最好下一個高版本，我一開始下了一個cmake3.4.1，雖然滿足官網的要求，但是編譯的時候一直顯示找不到vs的編譯器，後來換了一個高版本的cmake這個問題就沒有了。

5、到官網https://github.com/BVLC/caffe/tree/windows先下載windows版的caffe，解壓後，進入scripts資料夾中找到build_win.cmd。右鍵用notepad++或者其他工具開啟。

開啟後，對其中70到99行的選項進行配置，我的配置是這樣的

MSVC_VERSION=14表示是的vs2015
CPU_ONLY = 0 表示安裝GPU版本
PYTHON_VERSION=3 表示python3.5
其他的選項預設就好

然後修改好build_win.cmd檔案後儲存退出，然後在anaconda prompt中cd到caffe-windows檔案下，輸入:

.\scripts\build_win.cmd

期間會下載 libraries_v140_x64_py35_1.1.0.tar.bz2這個依賴包，但是下載速度很慢，可能會出錯，所以先下載完然後放到對應資料夾下，這樣可以快很多。

6、編譯完成後，會在scripts資料夾下生產一個build資料夾，下一步是進行生成

開啟caffe.sln這個工程，右鍵ALL_BUILD工程進行生成。

生成完成後，在如下圖的資料夾下，會生成caffe.exe等執行檔案

7、caffe進行mnist測試
首先去官網http://yann.lecun.com/exdb/mnist/下載mnist資料集，解壓後放到如下兩個資料夾下，訓練資料和測試資料分開，資料夾自己新建一下。

在caffe-windows的目錄下建立creat_mnist.bat，trian_mnist.bat檔案

在creat_mnist.bat中輸入：（trian_mnist.bat檔案後面再用）

.\scripts\build\examples\mnist\Release\convert_mnist_data.exe .\data\mnist\mnist_train_lmdb\train-images.idx3-ubyte .\data\mnist\mnist_train_lmdb\train-labels.idx1-ubyte .\examples\mnist\mnist_train_lmdb   
echo.   
.\scripts\build\examples\mnist\Release\convert_mnist_data.exe .\data\mnist\mnist_test_lmdb\t10k-images.idx3-ubyte   .\data\mnist\mnist_test_lmdb\t10k-labels.idx1-ubyte .\examples\mnist\mnist_test_lmdb  
pause  

這是把原始的檔案格式轉換成mdb的格式，並放到caffe-windows\examples\mnist下，這種格式讀取速度快。執行完成後，會在caffe-windows\examples\mnist下生成對應資料檔案

在caffe-windows\examples\mnist資料夾下，除了剛剛生成的資料檔案，還有mnist的模型檔案lenet_train_test.prototxt，還有lenet_solver.prototxt模型配置檔案。

模型檔案lenet_train_test.prototxt，需要給出對應的訓練和測試資料路徑

lenet_solver.prototxt模型配置檔案中，要給出模型檔案的路徑，以及訓練方式，我這邊用的是GPU

這些路徑都是相對於caffe-windows這個根目錄的相對路徑，然後開啟前面建立的trian_mnist.bat檔案，輸入：

.\scripts\build\tools\Release\caffe.exe train --solver=examples/mnist/lenet_solver.prototxt  
pause 

這邊需要注意，/和\這兩者要區別清楚，不然很可能會找不到對應的資料或者模型而出錯。錯誤示例如下：

然後，就可以開始訓練了，訓練完成！

8、python介面的配置
在編譯完後的根目錄下的python資料夾下，會生成pycaffe，用於python呼叫caffe。

將裡面的caffe資料夾複製到：
E:\studySoftware\anaconda\envs\caffe\Lib\site-packages，也就是caffe環境對應的包資料夾。
然後安裝一些依賴庫：

pip install numpy scipy protobuf==3.1.0 six scikit-image pyyaml pydotplus graphviz

開啟anaconda prompt，然後activate caffe，開啟python，嘗試import caffe，這時可能會有一些包不存在，只需要pip install 對應的包就可以了。

9、python呼叫示例

import numpy as np  
import sys,os  
import time
import matplotlib.pyplot as plt

# 設定當前的工作環境在caffe下  
caffe_root = 'E:/studySoftware/caffe-windows/'   
# 我們也把caffe/python也新增到當前環境  
sys.path.insert(0, caffe_root + 'python')  
import caffe  
os.chdir(caffe_root)#更換工作目錄  

# 設定網路結構  
net_file=caffe_root + 'models/bvlc_reference_caffenet/deploy.prototxt'  
# 新增訓練之後的引數  
#下載地址：http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel
caffe_model=caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'  
# 均值檔案  
mean_file=caffe_root + 'python/caffe/imagenet/ilsvrc_2012_mean.npy'  

# 這裡對任何一個程式都是通用的，就是處理圖片  
# 把上面新增的兩個變數都作為引數構造一個Net  
net = caffe.Net(net_file,caffe_model,caffe.TEST)  
# 得到data的形狀，這裡的圖片是預設matplotlib底層載入的  
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})  
# matplotlib載入的image是畫素[0-1],圖片的資料格式[weight,high,channels]，RGB  
# caffe載入的圖片需要的是[0-255]畫素，資料格式[channels,weight,high],BGR，那麼就需要轉換  

# channel 放到前面  
transformer.set_transpose('data', (2,0,1))  
transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))  
# 圖片畫素放大到[0-255]  
transformer.set_raw_scale('data', 255)   
# RGB-->BGR 轉換  
transformer.set_channel_swap('data', (2,1,0))  

# 這裡是載入圖片  
im=caffe.io.load_image(caffe_root+'examples/images/cat.jpg')  
# 用上面的transformer.preprocess來處理剛剛載入圖片  
net.blobs['data'].data[...] = transformer.preprocess('data',im) 

#caffe.set_mode_gpu() 
since = time.time()
#注意,網路開始向前傳播啦  
out = net.forward() 
time_elapsed = time.time() - since
print(time_elapsed)

#載入標籤
imagenet_labels_filename = caffe_root + 'data/ilsvrc12/synset_words.txt'  
labels = np.loadtxt(imagenet_labels_filename, str, delimiter='\t')  


# 最終的結果: 當前這個圖片的屬於哪個物體的概率(列表表示)  
output_prob = out['prob'][0]  
# 找出最大的那個概率  
print ('predicted class is:', output_prob.argmax())

後期使用

在用tensorflow的時候，要先開啟anaconda prompt，然後activate tensorflow，在裡面開啟對應的IDE，比如說spyder。
使用caffe時，一樣。