由於學習需要，決定安裝caffe，之前用的都是基於theano的keras。聽說win下caffe很難配置，經過一個下午和晚上的配置終於成功，以此記錄。
我的電腦：win10 64位，N卡GTX950，Visual Studio 2013，MatLab 2014a, Anaconda2，PyCharm2016.
由於之前使用win下的theano和keras，所以安裝了anaconda2，確實很好用，建議使用python的話還是裝anaconda比較簡單。
安裝caffe前提要求：電腦系統win7,8,10都可以；顯卡只有N卡可以用Cuda，利用GPU加速，非N卡就利用CPU就好；此外需要用matlab或python（推薦）編程的再下載對應軟件。
安裝步驟：
1.安裝cuda和cuDNN（無GPU則無需安裝）
因為網上有各種失敗案例，所以要注意版本問題。官網即可下載，cuda我下載的是cuda_8.0.44_win10. cuDNN我下載的是cudnn-7.0-win-x64-v4.0（網上對cudnn 版本有爭議）。
安裝cuda8.0（進官網點擊download一步一步來，安裝時一直點下一步即默認裝到C盤）和cudnn v4（下載下來解壓，解壓后會有一個名為cuda的文件）即可。
注：官網下載cudnn時會要求注冊，填完信息注冊完成后，選着cuDNN v4 或者 cuDNN v5 (這取決於 CommonSettings.props 文件里標注支持的版本，建議選擇 cuDNN v4 Library for Windows)安裝盡量默認路徑。
cuda:
cudnn:
要實現gpu加速，以上步驟一定認真安裝。
2.下載caffe
一種是直接上caffe官網：https://github.com/BVLC/caffe/tree/windows，這種方法需要自己裝CuDNN。
另一種是用happynear的caffe-windows：https://github.com/happynear/caffe-windows，這個方法作者已經提供了打包好的第三方庫。
因為我自己裝的CuDNN，所以我采取第一種方法。下載完后，解壓文件，得到一個叫caffe-master的文件夾。我裝到了E盤，即E：\caffe-master
3.caffe環境整合
打開caffe-master文件夾，然后看到一個windows文件夾，然后繼續打開windows文件夾，看到里面一個CommonSettings.props.example文件，復制出來一份，並改名字為CommonSettings.props。完成過后如下圖：
然后打開到 caffe-master/caffe-master/windows 文件夾，用 VS2013 運行 Caffe.sln 文件，檢查解決方案中的項目，重點看libcaffe和test_all是否成功地被導入。
第一次應該是這兩個顯示加載失敗的，解決方法如下：
關閉VS，打開 CUDA 安裝路徑中的 MSbuildExtensions 文件夾，如果你在之前安裝時選的是默認路徑，那么它應當在 c 盤 / Program File/NVIDIA GPU Cpmputing Toolkit/CUDA/8.0/extras/visual_studio_integration 里
拷貝 MSbuildExtensions 文件夾中的所有文件，復制到 C 盤 / Program File(x86)/MSBuild/Microsoft.Cpp/v4.0(這里取決於你安裝的版本)/V120/BuildCustomizations 文件夾下，替換目標中的文件
這時打開VS，發現他倆不再顯示加載失敗了。
點擊 VS2013 里右邊的 CommonSettings.props 文件
第 7行 false 保持為false（不是只要用CPU，所以為false）
第 8 行 false 改為 true（要用cudnn，所以為true）
第 9 行 7.5 改為 8.0（我的cuda版本為8.0）
第 13 行 false 改為 true（支持python所以為true）
第 24 行 改為你的 cuDNN 的解壓文件中 cuda 文件夾的路徑
如我把 cuda 文件夾復制到 E盤 / cuda7 文件夾下，則我在 CommonSettings.props 中路徑應當為 E:\cuda7
第 48 行改為 Anaconda2 的安裝文件夾，我的Aanconda2在D盤。
4. 編譯
編譯順序：libcafffe->caffe->pycaffe
1）編譯libcaffe：右擊右側libcaffe，選擇屬性，打開如下libcaffe屬性頁：按照如下修改
然后開始編譯libcaffe，點擊
綠色三角即可，結果會很漫長等待，最后可能會有錯誤，我的確實出現錯誤，和大家的錯誤基本一樣，大致是如下：無法打開libcaffe.lib:
網上的解決方案是對libcaffe單獨重新生成，如下圖所示：
然后重新編譯，但這樣的話會出現另外一個錯誤： error C2220:警告被視為錯誤-沒有生成“object”文件
如果出現這樣的錯誤，請打開項目-屬性按照下圖進行更改：
如果已經改好的話，應該就不會再出現錯誤。我在運行的過程中出現了上面提及的兩個錯誤，通過重新生成和將警告是為錯誤這兩個解決方法，最終編譯正確。
編譯完成后，caffe_master文件夾下應該生成了一個名為Build的文件夾，以后編譯的成功和運行需要的文件都會存放在..\build\X64\Relase下面。
2）編譯caffe
在Visual Studio 2013的解決方案上面右擊選擇屬性（properties）
出現 解決方案“caffe”屬性頁：按照如下設置，也有教程說選單啟動項目，好像都可以。
這個過程更慢，過程需要聯網因為可能會翻牆，這個過程的結果是為了下載caffe需要用到的第三方庫：NugetPackages（里面有16個文件）
可能有的人中途失敗或其他原因，所以網上有人把這個包下載好了，可以直接拿來放到上圖路徑即可。
放到和caffe-windows文件夾的同級目錄下。這樣之后再打開Caffe.sln時能夠自動識別出來，提供一個NugetPackages文件夾的壓縮包：http://pan.baidu.com/s/1qYpg3bY，提取碼f2zx。
最終編譯完成后，會在Release下出現caffe.exe，如果出現說明編譯成功。
測試：直接打開與右側的caffe.cpp,按Ctrl+f5執行。
執行結果：下圖為結果即ok！
3）編譯pycaffe
我在編譯的時候是直接點擊pycaffe，直接運行即可，結果也正確，沒有出現任何錯誤或者警告。網上好多教程是要配置路徑（出錯時），這里不再贅述。
5.測試
首先下載mnist數據集http://yann.lecun.com/exdb/mnist/，這里需要注意的是caffe並不直接通過下載得到的四個文件進行訓練，而是會把它轉化為lmdb或leveldb格式進行讀取。lmdb是lightning(閃電的) memory-mapped database manager的縮寫，能夠把原始數據通過更為高效的存儲方式存儲，從而加快讀取和訓練速度(lmdb比leveldb更快，可以看看剛剛的NugetPackages文件夾，當中就包含着對應的庫)。
實現這個轉化的代碼是\examples\mnist的convert_mnist_data.cpp，但也沒必要看，因為它的運行腳本create_mnist.sh顯然是linux下的東西。有教程紹如何實現自己的數據集向lmdb和leveldb轉換。目前更很好的辦法就是直接網盤下載，這里分享一個http://pan.baidu.com/s/1c2G9qyk 提取碼xama。
里面是已經經過轉換的leveldb格式的訓練集和測試集，把這兩個文件夾直接放到\examples\mnist目錄下，如下圖所示：
如果你沒有gpu，則要改一個部位：
首先用VS打開\examples\mnist目錄下的lenet_solver.prototxt，將最后一行改成CPU：
如果有gpu則不用改動。
可以看到，這個文件是對網絡訓練參數進行指定：max_iter指定了最大迭代次數，snapshot是輸出中間結果。上圖中的參數已經修改過，初始的max_iter和snapshot是10000和5000。
接着再用VS打開\examples\mnist目錄下的lenet_train_test.prototxt，做如下修改以正確指定訓練集和測試集。
這里額外介紹下caffe-windows采用的LeNet-5模型，也就是上圖中layer的定義方式。提供該模型的原始資料以供參考：http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf
完成上述工作后就可以編寫bat腳本進行正式訓練了。回到caffe-windows的根目錄下新建一個run.txt並寫入以下內容：
即在下圖的路徑中，先新建一個mytrain.txt(名字隨意)，然后寫入上圖內容，保存時另存為mytrain.bat。
如上圖，即mytrain.bat
（ bat文件是dos下的批處理文件。批處理文件是無格式的文本文件，它包含一條或多條命令。它的文件擴展名為 .bat 或 .cmd。在命令提示下鍵入批處理文件的名稱，或者雙擊該批處理文件，系統就會調用cmd.exe按照該文件中各個命令出現的順序來逐個運行它們。使用批處理文件（也被稱為批處理程序或腳本），可以簡化日常或重復性任務。）普及下。。
后綴名改成bat后雙擊運行，出現類似如下的訓練過程：
好了，在我gtx950的gpu下，速度蠻快的，大約十多秒跑完:
OK,吃飯去！
補充下參考博客：
多多參考，才能仔細認真
http://www.cnblogs.com/yixuan-xu/p/5858595.html 從零到一：caffe-windows(CPU)配置與利用mnist數據集訓練第一個caffemodelhttp://www.cnblogs.com/marso/p/caffe_win10_python.html http://www.cnblogs.com/marso/p/caffe_win10_python.html
http://www.cnblogs.com/marso/p/caffe_win10_python.html 基於Windows10 x64+visual Studio2013+Python2.7.12環境下的Caffe配置學習
cn.bing.com/?FORM=Z9FD1 Windows10+GTX950m+VS2013 環境下編譯 Caffe（網頁音樂不錯23333）
http://www.2cto.com/kf/201612/575865.html Windows 10下安裝配置Caffe並支持GPU加速
http://blog.csdn.net/yingwei13mei/article/details/53890072 Caffe之win10版安裝小結--細數自己遇到的各種坑
http://blog.csdn.net/qq_14845119/article/details/52415090 Windows下caffe安裝詳解(cpu+gpu+matcaffe+pycaffe)
http://m.blog.csdn.net/article/details?id=51549105 【caffe-Windows】caffe+VS2013+Windows+GPU配置+cifar使用
http://blog.csdn.net/happynear/article/details/45372231 如何快糙好猛地在Windows下編譯CAFFE並使用其matlab和python接口