前因項目所需，須訓練一個快速模型以實現目標物體的實時檢測。歷經多次實踐，發現MobileNetSSD網絡符合要求，故在本人工作PC上部署weiliu89版本的ssd-caffe以期用之訓練項目要求之模型。當時思之甚簡，網絡上相關文章多矣，此事應不成問題。然一番搜索后才發現，前人多在linux下進行，針對windows者寥寥，僅有幾篇亦是使用的支持MS VS2013的conner99版本的ssd-caffe，與我的項目要求相去甚遠（雖然可以將conner89版本的caffe工程從VS2013升級為VS2015，但升級后的效果很不好，編譯有很多問題，CMake重新構建工程亦如此，不如干凈的weiliu89版本）。雖然我的工作機器裝有兩個獨立的OS：win10和ubuntu，完全可以在ubuntu下部署、訓練模型，在windows環境下使用模型，如此亦可滿足項目要求。但如此操作，須在兩個OS中頻繁切換，甚是繁瑣，這對於有嚴重強迫症的我來說——如鯁在喉，無法忍受。於是，我決心解決windows下的部署問題。所幸，BVLC版本的caffe已經在win10下使用VS2015編譯、部署成功（感謝BVLC-Caffe團隊的卓越工作，使得該版本的caffe在windows平台下編譯、部署如此簡單），而weiliu89版本的caffe亦fork於此，源碼基本相同，這使得此事有據可考，難度驟降。然躬行后方知，難度雖降，過程依舊曲折，歷經打擊無數，事方成。現在想來，不拋棄、不放棄——真真是說易行難。以下開始詳述操作過程，備忘及有需者參考。
開始編譯之前，我們要先進行編譯環境的准備工作（如果你已經成功編譯BVLC版本的caffe，請略過），詳細操作步驟如下：
1、安裝CMake，這個不多說，官網有windows版本直接安裝就行，下載地址：https://cmake.org/download/，我自己用的是3.11，更新的版本估計應該也沒問題，下載后直接安裝，一路Next即可；
2、下載boost，下載地址：https://sourceforge.net/projects/boost/files/boost-binaries/，可以找一個最新版本，我自己用的是1.61.0（boost_1_61_0-msvc-14.0-64.exe），下載成功后安裝即可，對安裝沒什么特殊要求。在我的機器上，boost默認安裝在了C:\local\boost_1_61_0下；
3、下載libraries_v140_x64_py35_1.1.0.tar.bz2，與上面的boost一樣，這個是caffe需要的第三方支持庫，下載地址：https://github.com/willyd/caffe-builder/releases，下載完成后解壓到本地目錄下，我自己借用的原先編譯BVLC-Caffe遺留的庫，所以沒有再次下載、解壓，我機器上的庫路徑為：C:\Users\user\.caffe\dependencies\libraries_v140_x64_py35_1.1.0\libraries，內容如下:
4、安裝python35，注意一定是python35，不要安裝更高的版本，caffe對這個版本支持最好，下載地址：https://www.python.org/ftp/python，隨便選擇一個3.5版本的python即可，我自己用的是python3.5.4（python-3.5.4-amd64.exe）。下載后安裝，一路Next即可，注意安裝時一定要選擇“添加到系統路徑”中，這樣方便在控制台執行python，python3的缺省安裝路徑為C:\Users\user\AppData\Local\Programs\Python\Python35；
5、可選步驟，編譯安裝最新的opencv，這個可以略過，因為下載的libraries_v140_x64_py35_1.1.0庫已經包含了opencv3.1.0，如果你想用最新的opencv，那么就需要在這里部署好，我自己用的是opencv3.4.1，部署在了C:\MVLThirdPartyLib\opencv\build路徑下：
6、將相關執行路徑添加到系統的環境變量中，這一步非常關鍵，關系到configure以及pycaffe的正確加載：
將如下路徑添加到“系統變量”或“用戶變量”（二選一，推薦“系統變量”）的“Path”中：
C:\Users\user\AppData\Local\Programs\Python\Python35\Scripts\
C:\Users\user\AppData\Local\Programs\Python\Python35\
C:\MVLThirdPartyLib\opencv\build\x64\vc14\bin
C:\local\boost_1_61_0\lib64-msvc-14.0
C:\Users\user\.caffe\dependencies\libraries_v140_x64_py35_1.1.0\libraries\bin
7、編譯時如果遇到找不到libboost_filesystem-vc140-mt-1_61.lib之類的文件，請到boost的安裝目錄下去找，找到后copy到libraries_v140_x64_py35_1.1.0庫的lib文件夾下，切記！！！
如此，編譯環境的准備工作完成。接下來就是獲取ssd-caffe的源碼（此處假設你已成功安裝git）：
git clone https://github.com/weiliu89/caffe.git
如果你想省事，忽略接下來修改部分代碼的工作，或者說編譯時你不想看到更多的錯誤的話，你也可以直接從我自己的github倉庫中獲取修改后的工程源碼，該源碼fork於weiliu89，增加了對MSVC++的支持：
git clone https://github.com/Neo-T/caffe.git
拜GFW所賜，請耐心等待，如果你有早起習慣，建議早上5-7點之間clone，最晚不要超過8點，此時速度會快很多（我clone的速度曾經達到500KB/S左右，過了這個時間段就成了十幾、二十幾KB/S了）。clone完成后，請在ssd-caffe的根目錄下建立一個“build”目錄，如下所示：
接着打開CMake的GUI界面（cmake-gui），開始配置並生成ssd-caffe的VS2015工程的工作，首先選擇剛才clone下來的ssd-caffe的工程路徑（在我的機器上clone完成后，為了與BVLC版本有所區別，我把ssd-caffe的根目錄名稱caffe改成了ssd_caffe）：
然后點選confgure，選擇VS2015作為編譯工具（如果你想用其它版本的VS，建議用高版本的，盡量別用低版本的，特別是VS2010以下的）：
“Finish”確認選擇，CMake會開始配置並給出初步的配置結果：
令人頭疼的“Error”以及后面的一大片紅，果然沒有什么奇跡，configure失敗。點擊“OK”，開始一步步消除錯誤：
1、設定宏觀的配置選項，選擇BLAS為Open版本，不開啟GPU加速，python為3：
設置好后，繼續configure；
2、設定OpenBLAS的相關路徑：
之后，繼續configure（到這一步，CMake界面雖然還是有一大片紅，但不會再彈窗提示存在錯誤了，除非你的編譯環境准備工作沒有做好，下面的輸出信息也會提示“Configuring done”，但到這里其實配置還沒有結束，還得繼續）；
3、設定gflags和glog的庫路徑，這一步非常重要，否則生成的工程會自動下載相關源碼並編譯，一旦如此，你會陷入無盡深淵，死在編譯這兩個工程上：
4、設定生成pycaffe（訓練模型之用），同時取消生成Dll動態庫。因為生成Dll會對編譯生成caffe.exe造成麻煩，雖然造成的麻煩可以解決，但操作起來比較繁瑣，干脆就不生成了，反正內存和磁盤空間夠大：
至此，configure才算真正完成：
此時，“Generate”按鈕不再是灰色了，可以生成VS2015的工程了（對於configure過程中的“CMake Warning”之類的警告信息忽略即可）。點擊“Generate”，生成VS2015工程，然后點擊“Open Project”按鈕，打開該工程，開始我們的編譯之旅（真正頭疼的時刻來到了）。
首先，把解決方案的工程配置改為“Release x64”：
然后，開始編譯生成caffe。鼠標右鍵點選左側的“caffe”，然后點擊“生成”即可。注意，這里一定是要先生成caffe，千萬別直接生成整個解決方案：
大約幾分鍾后，編譯完成，結果是成功兩個，失敗一個：
還不錯，看看都是什么錯誤，點擊“輸出”按鈕右側的“錯誤列表”，錯誤有52個：
這些錯誤都是因為編譯器的緣故造成的，需要調整代碼和預編譯宏，針對getpid錯誤，需要在common.cpp文件的頭部增加如下幾行代碼：
#if defined(_MSC_VER) #include <process.h> #define getpid() _getpid() #endif
如此就可以解決找不到getpid的問題了。關於““std::tuple”: 模板 參數“_Types”與聲明不兼容”的錯誤，打開gtest.h文件就可以看出這個與gtest有關，是否使用google test自己的tr1 tuple實現：
其實源文件已經針對MSVC作出了定義，“GTEST_USE_OWN_TR1_TUPLE”宏為0，意味着不使用google test，但在編輯窗口顯示該宏為灰色，沒有起作用。這是因為我們在生成工程時，CMake將其定義在了工程配置文件中。打開caffe工程的屬性窗口，找到“C/C++”->“預處理器”->“預處理器定義”，點開下選單，選擇“編輯”：
刪除“GTEST_USE_OWN_TR1_TUPLE”宏即可。接着，我們繼續編譯，依然錯誤很多：
鼠標左鍵雙擊第一條錯誤，定位打開發生錯誤的文件，將db_lmdb.cpp文件頭部的代碼調整如下（紅色部分為新增加的代碼）：
#ifdef USE_LMDB
#include "caffe/util/db_lmdb.hpp"
#if defined(_MSC_VER)
#include <direct.h>
#define mkdir(X, Y) _mkdir(X)
#endif
#include <sys/stat.h>
#include <string>
其中紅色部分為新添加的代碼。繼續雙擊錯誤列表的第三條錯誤，同樣在打開的文件中將代碼修改如下：
switch (class_) {
case H5T_FLOAT:
{ LOG_FIRST_N(INFO, 1) << "Datatype class: H5T_FLOAT"; }
break;
case H5T_INTEGER:
{ LOG_FIRST_N(INFO, 1) << "Datatype class: H5T_INTEGER"; }
break;
case H5T_TIME:
LOG(FATAL) << "Unsupported datatype class: H5T_TIME";
case H5T_STRING:
……………………
}
其實就是在前兩條case語句中增加兩對“{}”而已，確保語句的完整性。改完存盤，繼續編譯，錯誤依舊：
現在錯誤發生的陣地轉移到了io.cpp文件中，雙擊定位到具體位置，然后在文件頭部增加如下代碼：
#include <boost/algorithm/string/classification.hpp>
#include <boost/algorithm/string/split.hpp>
#include <boost/filesystem.hpp>
#include <boost/foreach.hpp>
#include <boost/property_tree/json_parser.hpp>
#include <boost/property_tree/ptree.hpp>
#include <boost/property_tree/xml_parser.hpp>
#include <fcntl.h>
#if defined(_MSC_VER)
#include <io.h>
#endif
#include <google/protobuf/io/coded_stream.h>
#include <google/protobuf/io/zero_copy_stream_impl.h>
#include <google/protobuf/text_format.h>
繼續雙擊““SIGHUP”：未聲明的標識符”錯誤，在打開的位置修改handle_signal()函數：
void handle_signal(int signal) { switch (signal) { #ifdef _MSC_VER case SIGBREAK: // there is no SIGHUP in windows, take SIGBREAK instead. got_sighup = true; break; #else case SIGHUP: got_sighup = true; break; #endif case SIGINT: got_sigint = true; break; } }
繼續在該文件調整代碼，下一個是HookupHandler()函數：
void HookupHandler() { if (already_hooked_up) { LOG(FATAL) << "Tried to hookup signal handlers more than once."; } already_hooked_up = true; #ifdef _MSC_VER
if (signal(SIGBREAK, handle_signal) == SIG_ERR) { LOG(FATAL) << "Cannot install SIGBREAK handler."; } if (signal(SIGINT, handle_signal) == SIG_ERR) { LOG(FATAL) << "Cannot install SIGINT handler."; } #else struct sigaction sa; // Setup the handler sa.sa_handler = &handle_signal; // Restart the system call, if at all possible sa.sa_flags = SA_RESTART; // Block every signal during the handler sigfillset(&sa.sa_mask); // Intercept SIGHUP and SIGINT if (sigaction(SIGHUP, &sa, NULL) == -1) { LOG(FATAL) << "Cannot install SIGHUP handler."; } if (sigaction(SIGINT, &sa, NULL) == -1) { LOG(FATAL) << "Cannot install SIGINT handler."; } #endif }
最后是UnhookHandler()函數：
// Set the signal handlers to the default. void UnhookHandler() { if (already_hooked_up) { #ifdef _MSC_VER if (signal(SIGBREAK, SIG_DFL) == SIG_ERR) { LOG(FATAL) << "Cannot uninstall SIGBREAK handler."; } if (signal(SIGINT, SIG_DFL) == SIG_ERR) { LOG(FATAL) << "Cannot uninstall SIGINT handler."; } #else struct sigaction sa; // Setup the sighub handler sa.sa_handler = SIG_DFL; // Restart the system call, if at all possible sa.sa_flags = SA_RESTART; // Block every signal during the handler sigfillset(&sa.sa_mask); // Intercept SIGHUP and SIGINT if (sigaction(SIGHUP, &sa, NULL) == -1) { LOG(FATAL) << "Cannot uninstall SIGHUP handler."; } if (sigaction(SIGINT, &sa, NULL) == -1) { LOG(FATAL) << "Cannot uninstall SIGINT handler."; } #endif already_hooked_up = false; } }
繼續編譯，再也沒有錯誤了，成功：
接着編譯pycaffe，毫無例外的是，錯誤如幽靈般再次卷土重來：
LINK : fatal error LNK1104: 無法打開文件“libboost_date_time-vc140-mt-1_61.lib”
這顯然是找不到庫文件，我們將庫文件的目錄添加上就可以了。打開pycaffe的屬性界面，然后在“VC++目錄”->“庫目錄”，打開下選單，選擇“編輯”，將第三方庫的搜索路徑添加進去，在這里就是：
C:\Users\user\.caffe\dependencies\libraries_v140_x64_py35_1.1.0\libraries\lib
如果你部署的libraries_v140_x64_py35_1.1.0庫的路徑與我不一樣，請調整成你自己的路徑。
繼續編譯，上述錯誤消失，又產生了新的錯誤：
無法解析的外部符號 "__declspec(dllimport) struct _object * __cdecl boost::python::detail::init_module(struct PyModuleDef &,void (__cdecl*)(void))"
無法解析的外部符號 "__declspec(dllimport) public: __cdecl google::base::CheckOpMessageBuilder::CheckOpMessageBuilder(char const *)"
無法解析的外部符號 "__declspec(dllimport) public: __cdecl google::base::CheckOpMessageBuilder::~CheckOpMessageBuilder(void)"
……
這種錯誤是因為缺少第三方支持庫導致的，我們只需將其引入即可，依然在pycaffe的屬性界面，點選“鏈接器”->“輸入”->“附加依賴項”，打開下選單，選擇編輯，輸入系統需要引入的第三方支持庫的名稱：
..\lib\Release\caffe.lib
..\lib\Release\proto.lib
glog.lib
gflags.lib
libprotobuf.lib
C:\MVLThirdPartyLib\opencv\build\x64\vc14\lib\opencv_world341.lib
caffehdf5.lib
caffehdf5_hl.lib
libopenblas.dll.a
其中opencv的路徑需要根據自身情況調整，其它直接復制即可。繼續編譯，錯誤還剩下幾個：
無法解析的外部符號 "__declspec(dllimport) struct _object * __cdecl boost::python::detail::init_module(struct PyModuleDef &,void (__cdecl*)(void))"
無法解析的外部符號 "class caffe::Solver<float> const volatile * __cdecl boost::get_pointer<class caffe::……)"
……
無法解析的外部符號 "__declspec(dllimport) void __cdecl google::InstallFailureSignalHandler(void)"
仔細分析，就剩下三個函數無法解析了，也就是說需要找到這三個函數的第三方庫。關於第一個錯誤“init_module”，這個是因為python2和python3的類型不兼容導致的，而CMake將python2的庫引入到了工程中，導致鏈接錯誤，我們只需將python庫的名稱改對就可以了。打開pycaffe的“附加依賴項”窗口，找到如下一句：
C:\local\boost_1_61_0\lib64-msvc-14.0\boost_python-vc140-mt-1_61.lib
將其修改為：
boost_python3-vc140-mt-1_61.lib
我們不使用boost提供的python2庫，改用libraries_v140_x64_py35_1.1.0提供的python3庫即可。
關於第二個錯誤“get_pointer”，需要修改pycaffe工程下的_caffe.cpp文件，在其第40和42行之間增加如下代碼：
#if defined(_MSC_VER) && (_MSC_FULL_VER >= 190024210) // Workaround for VS 2015 Update 3 which breaks boost python // See: http://stackoverflow.com/questions/38261530/unresolved-external-symbols-since-visual-studio-2015-update-3-boost-python-link // and https://msdn.microsoft.com/vs-knownissues/vs2015-update3 #define BP_GET_POINTER(cls) \ namespace boost { \ template <> \ const volatile caffe::cls * \ get_pointer(const volatile caffe::cls *c) { \ return c; \ } \ } #define BP_GET_POINTER_T(cls, dtype) BP_GET_POINTER(cls<dtype>) BP_GET_POINTER_T(Net, float); BP_GET_POINTER_T(Layer, float); BP_GET_POINTER_T(Solver, float); BP_GET_POINTER_T(SGDSolver, float); BP_GET_POINTER_T(NesterovSolver, float); BP_GET_POINTER_T(AdaGradSolver, float); BP_GET_POINTER_T(RMSPropSolver, float); BP_GET_POINTER_T(AdaDeltaSolver, float); BP_GET_POINTER_T(AdamSolver, float); #endif
關於第三個錯誤“google::InstallFailureSignalHandler(void)”，在caffe工程下找到我們原先修改過的common.cpp文件，大約在該文件的48行左右找到GlobalInit()函數，將該函數修改如下：
void GlobalInit(int* pargc, char*** pargv) { // Google flags. ::gflags::ParseCommandLineFlags(pargc, pargv, true); // Google logging. ::google::InitGoogleLogging(*(pargv)[0]); // Provide a backtrace on segfault.#if !defined(_MSC_VER)
::google::InstallFailureSignalHandler();
#endif
}
修改完畢后，再一次編譯caffe，然后再編譯pycaffe，此時就可以順利編譯成功pycaffe了。不過，現在編譯成功的pycaffe還不是完整版本，缺少必要的DNN網絡模塊，需要將我們用到的各層定義手動添加到pycaffe中，否則會報“Check failed: registry.count(t ype) == 1 (0 vs. 1) Unknown layer type: xxx(known types: xxx )”錯誤，繼續修改_caffe.cpp文件，在這個文件的69和71行之間添加如下代碼（紅色部分）：
namespace bp = boost::python;
#include "caffe/layers/input_layer.hpp"
#include "caffe/layers/inner_product_layer.hpp"
#include "caffe/layers/dropout_layer.hpp"
#include "caffe/layers/conv_layer.hpp"
#include "caffe/layers/relu_layer.hpp"
#include "caffe/layers/pooling_layer.hpp"
#include "caffe/layers/lrn_layer.hpp"
#include "caffe/layers/softmax_layer.hpp"
#include "caffe/layers/permute_layer.hpp"
#include "caffe/layers/flatten_layer.hpp"
#include "caffe/layers/prior_box_layer.hpp"
#include "caffe/layers/concat_layer.hpp"
#include "caffe/layers/reshape_layer.hpp"
#include "caffe/layers/detection_output_layer.hpp"
接着在87行下面，也就是“namespace caffe {”下面添加各層定義語句：
extern INSTANTIATE_CLASS(InputLayer); extern INSTANTIATE_CLASS(InnerProductLayer); extern INSTANTIATE_CLASS(DropoutLayer); extern INSTANTIATE_CLASS(MemoryDataLayer); extern INSTANTIATE_CLASS(ConvolutionLayer); REGISTER_LAYER_CLASS(Convolution); extern INSTANTIATE_CLASS(ReLULayer); REGISTER_LAYER_CLASS(ReLU); extern INSTANTIATE_CLASS(PoolingLayer); REGISTER_LAYER_CLASS(Pooling); extern INSTANTIATE_CLASS(LRNLayer); REGISTER_LAYER_CLASS(LRN); extern INSTANTIATE_CLASS(SoftmaxLayer); REGISTER_LAYER_CLASS(Softmax); extern INSTANTIATE_CLASS(PermuteLayer); extern INSTANTIATE_CLASS(FlattenLayer); extern INSTANTIATE_CLASS(PriorBoxLayer); extern INSTANTIATE_CLASS(ConcatLayer); extern INSTANTIATE_CLASS(ReshapeLayer); extern INSTANTIATE_CLASS(DetectionOutputLayer);
再次編譯就可以了。以后如再遇到pycaffe報未知層類型之類的錯誤，繼續在這里添加對應的層就行了。至此兩個主要核心模塊編譯完成。接下來就是編譯相關工具軟件了。
我們先編譯tools，首先是caffe.bin工程，這個工程生成caffe.exe文件。與編譯之前的兩個工程相似，編譯出現的錯誤主要集中在庫文件上，所以我們把庫的搜索目錄和需要引入的庫添加到caffe.bin中即可，庫的搜索目錄依然是：C:\Users\user\.caffe\dependencies\libraries_v140_x64_py35_1.1.0\libraries\lib，要引入的庫文件如下：
C:\Users\user\AppData\Local\Programs\Python\Python35\libs\python35.lib
..\lib\Release\caffe.lib
..\lib\Release\proto.lib
C:\MVLThirdPartyLib\opencv\build\x64\vc14\lib\opencv_world341.lib
glog.lib
gflags.lib
libprotobuf.lib
caffehdf5.lib
caffehdf5_hl.lib
libopenblas.dll.a
編譯，此時會報“輸出文件名匹配輸入文件名“D:\caffe\build\lib\Release\caffe.lib””錯誤，這也是這個版本的主要問題，不適合VS編譯，編譯caffe.exe需要caffe.lib，但中間的輸出文件還是caffe.lib，編譯器就會無所適從，所以我們需要手動調整這個地方，將引入的文件改為caffe_static.lib，同時修改實際生成的caffe.lib為caffe_static.lib，如下：
1、修改引入庫“..\lib\Release\caffe.lib”名稱為“..\lib\Release\caffe_static.lib”；
2、在ssd-caffe的build\lib\Release文件夾下找到caffe.lib文件，將其重命名為caffe_static.lib；
再次編譯即可成功。最后，再到build\lib\Release文件夾下，刪除掉新生成的caffe.lib，將原來的caffe_static.lib改成caffe.lib，以為后續工作之用。
接着編譯剩余tools，為了省事我們可以批量修改工程屬性。鼠標左鍵點擊最上面的“compute_image_mean”工程，然后按下鍵盤“Shift”鍵，同時鼠標左鍵點擊最下面的“upgrade_solver_proto_text”工程，鼠標右鍵打開工程屬性界面，添加庫的搜索目錄和需要引入的庫文件。庫的搜索路徑與上同，需要引入的庫文件如下：
ntdll.lib
C:\Users\user\AppData\Local\Programs\Python\Python35\libs\python35.lib
..\lib\Release\caffe.lib
..\lib\Release\proto.lib
C:\MVLThirdPartyLib\opencv\build\x64\vc14\lib\opencv_world341.lib
glog.lib
gflags.lib
libprotobuf.lib
caffehdf5.lib
caffehdf5_hl.lib
libopenblas.dll.a
lmdb.lib
leveldb.lib
snappy.lib
添加完畢，編譯即可。不出意外，應該能編譯成功，除非路徑不對或者漏了某個步驟。
接下來，我們編譯examples，同樣是批量修改工程屬性，添加庫的搜索路徑和引入的庫名稱，搜索路徑同上，引入庫的名稱如下：
boost_filesystem-vc140-mt-1_61.lib
boost_system-vc140-mt-1_61.lib
ntdll.lib
C:\Users\user\AppData\Local\Programs\Python\Python35\libs\python35.lib
..\lib\Release\caffe.lib
..\lib\Release\proto.lib
C:\MVLThirdPartyLib\opencv\build\x64\vc14\lib\opencv_world341.lib
glog.lib
gflags.lib
libprotobuf.lib
caffehdf5.lib
caffehdf5_hl.lib
libopenblas.dll.a
lmdb.lib
leveldb.lib
snappy.lib
不出意外，同樣可以順利編譯成功。最后，我們可以INSTALL這些生成的文件了。鼠標右鍵點選工程左側的“INSTALL”，點擊“生成”，即可將所有生成的文件復制到build目錄下的install文件夾，如下圖所示：
由於訓練模型需要用到pycaffe，所以我們好要測試一下pycaffe是否可用。有兩種方案配置pycaffe，一種是在環境變量中添加“PYTHONPATH”，將pycaffe的路徑（對於我來說就是D:\work\OpenCV\ssd_caffe\build\install\python）添加進去；還有一種方式就是直接把build\install\python下的caffe文件夾copy到python安裝目錄下的Lib\site-packages文件夾下。我使用的后者。前面說了，我的機器上已經部署了BVLC版本的pycaffe，那么要想正常使用ssd-caffe就必須解決兩個版本並存的問題，我的解決方案就是修改pycaffe的包名稱，其實就是pycaffe所在目錄的目錄名，我把ssd-caffe版本的pycaffe包名稱改成了caffe_ssd，如下：
我們在復制build\install\python下的caffe文件夾時，把文件夾名稱改成caffe_ssd后再復制過來就可以解決版本並存問題。上圖中caffe即為BVLC版本的pycaffe。這樣我們在導入時，以包名區分即可：
import caffe #導入BVLC版本的caffe
import caffe_ssd #導入weiliu89版本的caffe
在實際進行import之前，我們還需要做最后一步工作，將caffe_ssd\下的_caffe.dll文件重命名為_caffe.pyd，如此才可正常import，導入結果如下：
至此整個ssd-caffe的編譯部署工作完成。
上述工作的最終源碼請從如下地址獲取：
https://github.com/Neo-T/caffe
附記——import pycaffe出現的常見錯誤解決方法：
1、ImportError: DLL load failed: 找不到指定的程序
這個錯誤是pycaffe在加載時無法找到編譯時引入的第三方庫對應的dll，兩種方式解決這個問題，一種是直接copy相應的dll文件到_caffe.pyd所在的文件夾下；另外一種方式是將DLL所在的路徑添加到系統環境變量中，由於我們在之前已經將其添加到環境變量中了，因此，正常情況下你不會遇到此問題。如果實在不知道要copy哪個文件，請到如下地址下載一個能夠查看dll依賴的工具“Dependency Walker”：
http://www.dependencywalker.com/
選擇下載“Download Version 2.2.6000 for x64 [468k]”即可。用該工具打開_caffe.pyd，出現嘆號的是找不到依賴DLL的，直接復制或將其所在路徑加入系統環境變量即可。
2、ImportError: DLL load failed: 找不到指定的模塊
這個錯誤還是因為python2和python3不兼容的問題，系統加載_caffe.pyd時使用的應該是“boost_python3-vc140-mt-1_61.dll”，如果在指定的搜索路徑下找不到它就會報這個錯誤，所以我們只需將其添加到搜索路徑中就可以了。
3、TypeError: Couldn't build proto file into descriptor pool!
這個錯誤很嚇人，輸出的信息會占滿整個屏幕，然后在錯誤信息的下方你會找到上述錯誤語句。這個錯誤是因為你的機器安裝的protobuf版本不匹配導致的（如果你是pip自動安裝，一般安裝的都是最新的穩定版本），我們需要卸載已經安裝的protobuf版本，然后指定一個比較老的版本即可：
pip uninstall protobuf
我的機器安裝的就是3.6.1版本，這個版本就不能很好的適配ssd-caffe，所以我指定安裝了3.3版本：
pip install protobuf==3.3.0
再次import pycaffe，世界終於清凈了。