說在前面，這篇是關於Windows下Faster R-CNN的MATLAB配置，GPU版本；CPU版本見：Widows下Faster R-CNN的MATALB配置（CPU）；
相比較來說，CPU版本相對容易一些，因為涉及到GPU的計算，還需要配置CUDA以及CuDNN；
下面將分成三個部分進行介紹：
- 准備工作：下載caffe、faster rcnn源碼、安裝cuda、cudnn；
- VS2013編譯caffe： 編譯支持matlab接口的caffe；
- Faster R-CNN的MATLAB源碼測試：
環境配置：
Windows 10
VS 2013
CUDA 7.5, CuDNN V5
MATLAB 2018a
1. 准備工作
1.1 安裝CUDA、CuDNN
有關安裝CUDA的過程見：Windows下安裝CUDA8.0；該文章記錄的是安裝CUDA 8.0的過程以及在VS上的使用；
附加說明：
建議使用CUDA 7.5，CuDNN V5；
注意：將CuDNN壓縮包解壓到與下面的caffe與faster rcnn位於同級目錄；
1.2 Faster R-CNN的MATLAB源碼
下載faster_rcnn的matlab源碼：下載地址；
得到./faster_rcnn文件夾；
打開matlab，定位到./faster_rnn/，目錄結構如下圖所示；
部分文件夾介紹：
experiment/：主要是用於testing/training的腳本；
external/：主要存放成功編譯的提供matlab接口的caffe；（后面將花費很多時間在這個上面）
fetch_data/：作者提供的一些用於下載的腳本文件；
其中的都是一些依賴方法，大家可以去看一下；
1.3 Microsoft-Caffe
下載Microsoft提供的caffe：下載地址；
解壓得到./caffe文件夾；
目前，我們得到兩個文件夾；
1.4 matlab指定C/C++編譯器
打開matlab，執行：
mex -setup
選擇 Microsoft Visual C++ 2013 (C) 進行C語言編譯，如下圖：
2. VS2013編譯Caffe
2.1 CommonSettings.props
打開./caffe/windows/，找到CommonSettings.props.example文件，復制后，將名稱改為CommonSettings.props，如下圖：
使用Notepad打開·./caffe/windows/CommonSettings.props，根據自己的配置，做如下修改：
- 第一處紅框：使用CUDA加速計算、僅使用CPU計算，兩者選其一；由於我們配置GPU，CUDA版本7.5，因此配置如圖；
- 第二處紅框：提供matlab接口；
- 第三處紅框：指定CuDNN V5的路徑，我的配置路徑如圖所示；也就是說將下載好的CuDNN壓縮包解壓到
G:\ObjectDetection\Faster R-CNN\Faster R-CNN_GPU中； - 第四處紅框：修改兩個位置，一個是MATLAB的安裝路徑，另一個如圖；
補充說明：
有關<CudaArchitecture>compute_35,sm_35;compute_52,sm_52</CudaArchitecture>，可以修改為與自己顯卡相對應的計算能力，提示說可以減少編譯時間；
有關顯卡的計算能力查詢，見：英偉達GPU顯卡計算能力評估（深度學習）；
2.2 項目-屬性配置
修改完成，使用VS2013打開./caffe/windows/Caffe.sln，雙擊即可；
打開之后，將Debug模式調成Release模式；（在調試的過程中，可能會重新加載項目，注意需要調整成Release）
之后，
libcaffe項目右鍵—> 屬性—>配置屬性—> C/C++ —> 常規，將將警告視為錯誤修改為否；
否則，編譯libcaffe時會報下面的錯誤；
提示出現：error C2220:...，表示alt_sstream_impl.hpp文件編碼格式錯誤；解決方法是：雙擊錯誤信息，彈出錯誤提示信息，確定后打開一個alt_sstream_impl.hpp文件，然后Ctrl+S進行保存即可；
2.3 添加roi_pooling_layer
打開解決方案資源管理器，
在項目libcaffe中添加roi_pooling_layer.cu, roi_pooling_layer.cpp, roi_pooling_layer.hpp:
libcaffe/cu/layers/右鍵—>添加—>現有項，添加./caffe/src/caffe/layers/roi_pooling_layers.cu文件；libcaffe/include/layers/右鍵—>添加—>現有項，添加加./caffe/include/caffe/layers/roi_pooling_layers.hpp文件；libcaffe/src/layers/右鍵—>添加—>現有項，添加./caffe/src/caffe/layers/roi_pooling_layers.cpp文件；
2.4 編譯libcaffe
選中項目libcaff，右鍵—> 重新生成；
首先會自動還原NuGet包，然后生成成功；
======== 全部重新生成: 成功 1 個，失敗 0 個，跳過 0 個 ==========
（如果出現錯誤（不包含警告），仔細檢查上面配置是否正確；）
2. 5 編譯matcaffe
如果上面幸運的話，沒出什么錯，那這里也不會遇到什么麻煩了；
類似重新生成libcaffe，以同樣的方式，選擇matcaffe，右鍵—> 生成；
成功后，輸出：
========== 生成: 成功 2 個，失敗 0 個，最新 1 個，跳過 0 個 ==========
到目前為止，我們已經有了四個文件夾，如下圖所示：
./caffe/：表示microsoft提供的caffe；./cuda/：表示CuDNN V5的文件，解壓到該處；./faster_rcnn/：表示faster r-cnn的matlab源碼；./NugetPackages/：就是在編譯libcaffe時還原出來的NuGet包；- 另外，
./caffe/Build/x64/Release/下就是得到caffe；
其中，./caffe/Build/文件夾就是編譯caffe得到文件；
如果在./caffe/Build/x64/Release/matcaffe+caffe/private/文件夾下，有caffe_.mexw64文件表明caffe的matlab接口編譯正確；
3. Faster R-CNN的MATLAB源碼測試
3.1 external
在Faster R-CNN的源碼中，我們看到有./faster_rcnn/external/caffe/文件夾，該文件夾是為了存放編譯好的caffe；
而在這里，並不打算將編譯好的caffe復制到該文件夾下，而是通過設置系統環境變量和添加matlab搜索路徑；
具體步驟如下：
- 將
./caffe/Build/x64/Release/添加到系統變量的path中； - 將
./caffe/Build/x64/Release/matcaffe/添加到matlab的搜索路徑中； - 將
./caffe/matlab/+caffe/文件夾（不包含子文件夾）下的所有.m文件拷貝到/caffe/Build/x64/Release/matcaffe/+caffe/文件夾下； - 重啟電腦，完成caffe在matlab中的配置；
3.2 Preparation for Testing
- Run
fetch_data/fetch_caffe_mex_windows_vs2013_cuda65.mto download a compiled Caffe mex (for Windows only).- Run
faster_rcnn_build.m- Run
startup.m
其中，
- 第0步：表示下載作者提供的編譯好的caffe，因為我們已經編譯好了，這里不需要執行；
- 第1步：執行
faster_rcnn_build.m；
打開faster_rcnn_build.m后，修改nvmex.m文件，如下圖：
- 按照VS的安裝位置修改紅框內的路徑；
- 第二個紅框注意修改CUDA版本；
- 其他變量都是通過系統變量來獲取得到的；
補充說明：
在使用Matlab 2018a執行faster_rcnn_build.m時，總是報錯：
LIBCMT.lib(crt0dat.obj) : error LNK2005: _amsg_exit 已經在 MSVCRT.lib(MSVCR120.dll) 中定義
LIBCMT.lib(crt0dat.obj) : error LNK2005: _initterm_e 已經在 MSVCRT.lib(MSVCR120.dll) 中定義
...
不知道怎么解決，幸好沒有將之前安裝matlab 2016a卸載，使用matlab2016a再執行，就成功通過了；
-
第2步：執行
start_up.m文件；這是因為，我們沒有將編譯好的caffe放在
./external/caffe/文件夾下；因此，根據錯誤提示，需要在
./external/caffe/文件夾下新建一個空白名為matlab的文件夾；然后，再執行
start_up.m，就不會報錯了；
3.2 Testing Demo
- Run
fetch_data/fetch_faster_rcnn_final_model.mto download our trained models.- Run
experiments/script_faster_rcnn_demo.mto test a single demo image.
其中，
-
第0步：下載作者提供的訓練好的模型文件；
其中下載鏈接好像需要翻牆，如果有需要的話，可以從這里下載：下載地址，提取碼：62n6；
下載完成后，解壓到./faster_rcnn/中，覆蓋原來的./faster_rcnn/output/文件夾，以及多出了五張圖片；
-
第1步：執行腳本文件
experiments/script_faster_rcnn_demo.m，測試；當然該腳本中的參數，可以適當調整；
由於我的筆記本不行，即使換成ZF-Net也跑步了，檢測的結果了，結果應該和Widows下Faster R-CNN的MATALB配置（CPU）是一致；