介绍了最新下载的caffe（2016.3.2）在无GPU计算机上的快速配置流程，是对本人之前上传的文档作更新：
http://download.csdn.net/detail/sisansiy/9376266
### Caffe CPU Only 快速配置指南
#### 一、概述
Caffe 是一款非常流行的深度学习框架，因其高效简洁而被广泛应用于图像识别、分类等任务中。本指南主要介绍如何在没有 GPU 的计算机上配置 Caffe，使其能够在 CPU 上运行。文中提到的版本为 2016 年 3 月发布的 Caffe 版本。
#### 二、配置流程
为了确保在无 GPU 的环境下顺利安装和配置 Caffe，我们将按照以下步骤进行：
1. **OpenCV 配置**
- 下载 OpenCV 库并解压缩。
- 将 OpenCV 的 bin 文件夹路径添加到环境变量中，例如：`D:\opencv2.4.10\build\x64\vc12\bin`。
这一步是必要的，因为 Caffe 需要调用 OpenCV 的功能来处理图像数据。
2. **第三方库准备**
- 从提供的链接下载必要的第三方库：`http://pan.baidu.com/s/1i3TK2sH 密码：md0g`。
- 下载时请注意选择适合您的操作系统版本（64 位）的库文件。
3. **Caffe 库下载及修复**
- 从提供的链接下载已修复并简化的 Caffe 库：`http://pan.baidu.com/s/1dEbuF7b 密码：cv91`。
- 官方提供的 Caffe 库主要针对 Linux 系统，因此在 Windows 系统下可能会遇到兼容性问题。上述提供的库已预先修复这些问题，可以直接用于编译。
4. **配置 Visual Studio**
- 在 Caffe 根目录下创建一个新的 Visual Studio 项目，命名为 `caffe`，并设置为目标平台 x64 和配置 Release。
- 将 `src/caffe` 目录下的所有文件加入到工程中（排除 test 文件夹）。
- 配置项目的相关路径和选项，例如：
- 输出目录：`..\bin`
- 包含目录：添加所有必要的头文件路径。
- 库目录：添加所有必要的库文件路径。
- 附加依赖项：添加所有必要的库文件，如 `gflags.lib`, `libglog.lib` 等。
- 预处理器定义：添加必要的宏定义，如 `CPU_ONLY`, `USE_LMDB`, `USE_OPENCV` 等。
5. **编译 Caffe**
- 编译完成后，在根目录 `\caffe\bin` 下会产生 `caffe.exe` 文件，这是 Caffe 的主执行文件。
- 可以通过运行 `\examples\mnist\train_lenet.bat` 来测试 MNIST 数据集上的模型训练和评估过程。
6. **配置 Matlab 接口**
- 下载预训练模型 `bvlc_reference_caffenet.caffemodel`，并将其放置于 `\models\bvlc_reference_caffenet` 目录下。
- 在 Visual Studio 工程中添加 Matlab 接口文件 `\matlab\+caffe\private\caffe_.cpp`。
- 编译 Matlab 接口，使 Caffe 能够在 Matlab 环境中调用。
#### 三、注意事项
- 确保所有的环境变量都正确设置，并且系统需要重启以确保更改生效。
- 由于使用的是 CPU 版本的 Caffe，所以在性能方面可能会较 GPU 版本有所下降。
- 在配置过程中可能会遇到一些编译错误，建议参考官方文档或者社区资源来解决问题。
#### 四、测试结果
- 在 CPU E5-2620v2 上进行测试，对 10000 个样本进行测试大约需要 5.32 秒，准确率达到 99.08%（测试结果可能存在轻微波动）。
- 请注意，该配置仅适用于 CPU 环境，不可用于 GPU 加速。
#### 五、总结
通过上述步骤，您可以成功地在没有 GPU 的环境下配置好 Caffe，并能够进行基本的模型训练和测试工作。尽管 CPU 版本在性能上有一定的局限性，但对于初步了解和学习 Caffe 框架来说已经足够。此外，您还可以利用该配置来进行算法开发和模型调试等工作。
