眾所周知，如果你想研究Deep Learning，那么比較常用的配置是Linux+GPU，不過現在很多非計算機專業的同學有時也會想采用Deep Learning方法來完成一些工作，那么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絡。
CNN基礎知識：https://zhuanlan.zhihu.com/p/22038289?refer=intelligentunit（沒基礎的還應該另外了解一些神經網絡算法的基礎知識，例如前饋傳遞，BP算法等，有基礎的也推薦再通過這個鏈接鞏固一番，以下的文章會假設你對於CNN有比較全面和扎實的理解）
所需系統環境：windows7 sp1及以上系統，win7 sp1以下的會不會有什么錯誤我不知道，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，然后隨便解壓縮到哪都行，我解壓完之后，Caffe框架的根目錄就是H:\caffe-master\caffe-master。解壓完之后，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，所以這里默認的還是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文件夾中的CommonSettings.props.example文件，具體修改方式是：
一、將該文件重命名為CommonSettings.props；
二、將該文件中的
<CpuOnlyBuild>false</CpuOnlyBuild>
<UseCuDNN>true</UseCuDNN>
改為
<CpuOnlyBuild>true</CpuOnlyBuild>
<UseCuDNN>false</UseCuDNN>
至於這里面的CuDNN是什么，之后會提到，現在先不用了解~
三、保存該文件。
在將框架改為CPU模式之后，就可以雙擊打開windows文件夾中的Caffe.sln文件，然后在VS2013中點擊最上方的生成->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下端的顯示台上會顯示生成成功的信息，這時候這個框架就編譯完成了，而生成的可執行文件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，這里各位先不用在意，今天的任務主要會和caffe.exe發生接觸。
編譯好了框架之后，可以說是萬事俱備，只欠數據集和網絡模型了，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網絡模型來進行對MNIST數據集的學習是非常適合的。
MNIST數據集是一個手寫數字的數據庫，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數據集在哪里獲取呢？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腳本就是用來幫你下載這個數據集的，理論上，這個腳本的運行需要Linux的環境支持，但是我們現在用的是windows環境，怎么辦呢？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，並已經將其雙擊打開，只需要在這個黑框框里如下輸入，然后回車，就會為你自動下載MNIST數據集（注意，如果不翻牆是沒有辦法下載的，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文件夾中出現了
，也就是說，MNIST數據集已經成功地下載下來了。
那么這個數據集是不是可以直接用了呢？答案是不能。為什么呢？因為到這一步為止，我們的數據集還只是二進制文件，需要轉換為lmdb文件才可以被Caffe框架識別，所以這其中還有一個轉換的過程，對於windows用戶來說，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，所以我們可以采用如下的兩種方法：
一、在Ubuntu系統中，首先cd進Caffe框架的根目錄，之后只需通過簡單的一行命令：
./examples/mnist/create_mnist.sh
即可完成數據的轉換工作，那么因為這里我們不希望去使用Ubuntu，所以我比較推薦第二種方法。
二、去網上找資源。。。MNIST數據集的lmdb文件在網上是容易找到的，這里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，那么現在只需要把這個下載下來的文件解壓，然后把解壓出來的mnist_train_lmdb以及mnist_test_lmdb文件夾放到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文件夾中了。
現在，我們有了框架，有了數據集，有了模型，那么就快要大功告成了。接下來，只需要在windows自帶的cmd命令行界面中如下輸入：
之后按下回車，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。通過訓練之后生成的權重也保存在了mnist文件夾中的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。測試所需代碼如下：
最后，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絡，而你的計算機同時也成功學會了“認識數字”。
備注：本人非常樂意分享我的文章，轉載請注明我的博客地址：http://www.cnblogs.com/matthewli/與原文地址：http://www.cnblogs.com/matthewli/p/6048907.html，謝謝！