用於檢測的CNN分為基於迴歸網路的方法和基於區域+CNN網路的方法，其中基於迴歸網路的方法典型為YOLO9000，可以相容使用VGG-Net框架。其中基於區域+CNN網路方法，大量使用了Caffe作為基礎CNN框架。

 準備工作（python27環境，X64平臺，使用Vs2013和Vs2015）：

      1. 安裝 VcforPython27 9.0或者安裝VS2010版本。此步驟涉及到Python庫的安裝是否成功。

      2. 安裝 Python27 X64；

      3. 使用pip安裝Python 包：numpy、matlpotlib、six、scipy、scikit-image、scikit-learn。

          scipy 最好使用 下載版本的X64版本的 whl包。

一、使用FasterR-CNN

        Windows下faster-rcnn的編譯可以分為2個部分，caffe的編譯和faster-rcnn的編譯。由於原始的版本大多基於linux，感謝各位前輩的移植與分享，現在windows版本的在網上都可以找到。但對於初學者可能還是有一些坑要填。以下是我遇到的一些問題和解決方法，用以存檔。

二、Vs2013安裝使用MS-Caffe

C++版本編譯過程：

     3. 從Microsoft官方Github上下載Caffe的原始碼壓縮包.

      建議使用Git 克隆整個工程到本地

     4.編譯工程檔案

     4.1開啟caffe-master資料夾,然後看到一個windows資料夾,然後繼續開啟windows資料夾,看到裡面一個CommonSettings.props.example檔案,複製出來一份,並改名字為CommonSettings.props

       注意：

        1. 編輯模式開啟 CommonSettings.props檔案，找到CUDA version一欄，修改7.5 為8.0 。

         否則會出現libCaffe打不開/載入不了的情況。

        2.編譯boost時出現錯誤，忽視掉錯誤，把檔案儲存，即可編譯boost通過。

        3.此外找到：<cuDnnPath></cuDnnPath>這一行，在中間新增cudnn目錄，我的是C:\Tools\cdunn;

           同步修改接下來第11、12行的 <LibraryPath>和<IncludePath>

          但是這樣做，會導致出現錯誤：

1. 錯誤 1 error MSB3073: 命令“"D:\caffe-windows\windows\\scripts\BinplaceCudaDependencies.cmd" "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\bin" "" false true "D:\caffe-windows\windows\..\Build\x64\Debug\"  
2. :VCEnd”已退出，程式碼為 1。 C:\Program Files (x86)\MSBuild\Microsoft.Cpp\v4.0\V120\Microsoft.CppCommon.targets 132 5 libcaffe  

      4.2 用VS2013開啟Caffe.sln(就到剛剛那個資料夾裡面),開啟效果如下

       4.3. 使用Vs2013開啟，可以進行編譯。

               使用Ms-Caffe需要線上下載一些依賴庫，需要消耗較多的時間，要慢慢地等一會.......

C++版本測試執行：

     編譯測試成功

      ................................

Python版本編譯測試執行：

修改配置檔案CommonSettings.props，

修改Python支援為true

1. <PythonSupport>true</PythonSupport>

新增自身機子的Python安裝目錄

1. <PythonDir>C:\Python2\</PythonDir>

       編譯pycaffe工程，在X64/realease 資料夾下面生成 pycaffe的資料夾。

使用：

      把資料夾裡面的caffe資料夾 複製到 Python的資料夾 lib/site-packages 下面，可以在eclipse中直接使用。

import時候出現ImportError: No module named google.protobuf.internal   錯誤

解決方法：到安裝目錄 scripts下面 使用pip 或者conda 安裝protobuf，預設安裝libprotobuf、protobuf、vc9.0.

安裝完成，可以使用

三、Vs2015平臺Caffe2的安裝

預編譯階段cmd、Cmake：

1.編譯protobuf

1. Install Cmake
2. Run Developer Command Prompt for VS 2017.
3. Install protobuf. Go tocaffe2\scripts\ and runbuild_host_protoc.bat. This should build protobuf from source for your system.
4. build protobuf
   

編譯protobuf完成後，出現錯誤

在cmd視窗，執行caffe2\scripts\build_windows.bat,會出現錯誤

再次使用Cmake生成配置方案：

原路徑：D:/git/DeepLearning/caffe2 
目標路徑：D:/git/DeepLearning/caffe2/build

Configure出現此種問題

CMake Error at cmake/ProtoBuf.cmake:21 (message):
  To build protobufs locally (required for Android/iOS/Windows), you will
  need to manually specify a PROTOBUF_PROTOC_EXECUTABLE.  See
  scripts/build_host_protoc.{sh,bat} for more details.
Call Stack (most recent call first):
  cmake/ProtoBuf.cmake:32 (custom_protobuf_find)
  cmake/Dependencies.cmake:6 (include)
  CMakeLists.txt:85 (include)

修改：

//刪除掉 protobuf那一行

新增PROTOBUF_PROTOC_EXECUTABLE變數到cmake-gui配置中。做法： -----------Add Entry 條目新增。
PROTOBUF_PROTOC_EXECUTABLE=D:\git\DeepLearning\caffe2\build_host_protoc\Release\protoc.exe

此時配置生成成功！

編譯階段2：可以使用VS2015開啟編譯。

編譯遇到問題：

2.1 error C2398: 元素“1”: 從“google::protobuf::int64”轉換到“int”需要收縮轉                                      

解決方法：暫時沒有解決

程式碼修改為：

1. //int x = b_dim1;//wishchin
2.   int x = in[0].dims(0);//wishchin
3.      return vector<TensorShape> {  
4.          CreateTensorShape(  
5.           vector<int> { x , a_dim0, b_dim1 },//wishchin //vector<int> { in[0].dims(0), a_dim0, b_dim1 },
6.              in[0].data_type()  
7.       )  
8.      };//(int)b_dim1},//b_dim1 修改為(int)b_dim1//wishchin

強制轉換，已解決。

2.2 error C2059: 語法錯誤:“volatile” (編譯原始檔 D:\Works\CNN\Caffe\Caffe2\caffe2\utils\threadpool\ThreadPool.cc)

程式碼段：

1. inlineint Do256NOPs() {  
2.   asm volatile(GEMMLOWP_NOP64);  
3.   return 64;  
4. }  
5. GCC在C語言中內嵌彙編 asm  __volatile__      

解決方法：嘗試去掉asm volatile(GEMMLOWP_NOP64); 這一句

2.3 錯誤在 Caffe2_CPU工程 conv_op.cc檔案

1. 1>D:\Works\CNN\Caffe\Caffe2\caffe2\operators\conv_op.cc(76): error C2664: “caffe2::OpSchema &caffe2::OpSchema::CostInferenceFunction(caffe2::OpSchema::CostInferenceFunctionType &&)”:  
2. 無法將引數 1 從“caffe2::OpSchema::Cost (__cdecl *)(const caffe2::OperatorDef &,const std::vector<caffe2::TensorShape,std::allocator<_Ty>> &)”轉換為“caffe2::OpSchema::CostInferenceFunctionType &&”  

原始程式碼：

1. OPERATOR_SCHEMA(Conv2D)  
2.     .NumInputs(2, 3)  
3.     .NumOutputs(1)  
4.     .CostInferenceFunction(ConvPoolOpBase<CPUContext>::CostInferenceForConv)//76行
5.     .TensorInferenceFunction(ConvPoolOpBase<CPUContext>::TensorInferenceForConv)  
6.     .FillUsing(ConvDocGenerator("2D "));  

登出點嘗試一下

分析：為什麼windows版本的OPERATOR_SCHEMA()比Linux版本要多好幾個？？？

2.4.找不到定義：posix_memalign(

1. ThreadPool檔案，包含#include "WorkersPool.h" 標頭檔案裡面，使用到  
2. #if !defined(__ANDROID__)
3.     posix_memalign((void**)&p, kGEMMLOWPCacheLineSize, sizeof(T));  
4. 在Windows <stdlib.h>下面找不到 函式定義！！！  

新增定義
#define posix_memalign(p, a, s) (((*(p)) = _aligned_malloc((s), (a))), *(p) ?0 :errno)//wishchin

到"WorkersPool.h" 標頭檔案

編譯成功

2.5. 編譯 convert_caffe_image_db，出現

1. 1>Caffe2_CPU.lib(caffe2.pb.obj) : error LNK2019: 無法解析的外部符號 "class google::protobuf::internal::ExplicitlyConstructed<class std::basic_string<char,struct std::char_traits<char>,class std::allocator<char> > > google::protobuf::internal::fixed_address_empty_string" ([email protected]@[email protected]@@[email protected][email protected][email protected]@[email protected]@[email protected]@[email protected]@[email protected]@@[email protected])，該符號在函式 "public: __cdecl caffe2::Argument::Argument(class caffe2::Argument const &)" ([email protected]@@[email protected]@@Z) 中被引用  
2. 1>Caffe2_CPU.lib(caffe.pb.obj) : error LNK2001: 無法解析的外部符號 "class google::protobuf::internal::ExplicitlyConstructed<class std::basic_string<char,struct std::char_traits<char>,class std::allocator<char> > > google::protobuf::internal::fixed_address_empty_string" ([email protected]@[email protected]@@[email protected][email protected][email protected]@[email protected]@[email protected]@[email protected]@[email protected]@@[email protected])  
3. 1>Caffe2_CPU.lib(caffe2.pb.obj) : error LNK2019: 無法解析的外部符號 "__int64 google::protobuf::internal::empty_string_once_init_" ([email protected]@[email protected]@@3_JA)，該符號在函式 "void __cdecl caffe2::protobuf_InitDefaults_caffe2_2fproto_2fcaffe2_2eproto_impl(void)" ([email protected][email protected]@YAXXZ) 中被引用  
4. 1>Caffe2_CPU.lib(caffe.pb.obj) : error LNK2001: 無法解析的外部符號 "__int64 google::protobuf::internal::empty_string_once_init_" ([email protected]@[email protected]@@3_JA)  

問題：在libprotobuf 新增 

分析：caffe2::GlobalInit(&argc, &argv);

使用了函式，待除錯....

解決方法：嘗試編譯libprotobuf為靜態庫！！！

解決了大部分問題

2.6. 在protobuf仍然出現 連結錯誤  protobuf/compile/main.cc

1. 8>main.obj : error LNK2019: 無法解析的外部符號 "__declspec(dllimport) public: __cdecl google::protobuf::compiler::CommandLineInterface::CommandLineInterface(void)" ([email protected]@[email protected]@@[email protected])，該符號在函式 main 中被引用  
2. 8>main.obj : error LNK2019: 無法解析的外部符號 "__declspec(dllimport) public: __cdecl google::protobuf::compiler::CommandLineInterface::~CommandLineInterface(void)" ([email protected]@[email protected]@@[email protected])，該符號在函式 main 中被引用  
3. .....................  
4. .error LNK2019: 無法解析的外部符號 "__declspec(dllimport) public: virtual __cdecl google::protobuf::compiler::objectivec::ObjectiveCGenerator::~ObjectiveCGenerator(void)" ([email protected]@[email protected]@[email protected]@[email protected])，該符號在函式 main 中被引用  
5. 8>main.obj : error LNK2019: 無法解析的外部符號 "__declspec(dllimport) public: __cdecl google::protobuf::compiler::js::Generator::Generator(void)" ([email protected]@[email protected]@[email protected]@[email protected])，該符號在函式 main 中被引用  
6. 8>main.obj : error LNK2019: 無法解析的外部符號 "__declspec(dllimport) public: virtual __cdecl google::protobuf::compiler::js::Generator::~Generator(void)" ([email protected]@[email protected]@[email protected]@[email protected])，該符號在函式 main 中被引用  
7. 8>D:\Works\CNN\Caffe\Caffe2\build\third_party\protobuf\cmake\Release\protoc.exe : fatal error LNK1120: 24 個無法解析的外部命令  

解決方法：

嘗試去掉main()函式裡面的程式碼，應該用不著！

3. 執行階段：

X:終於成功了！

測試可以執行................