由于学习需要，决定安装caffe，之前用的都是基于theano的keras。听说win下caffe很难配置，经过一个下午和晚上的配置终于成功，以此记录。
我的电脑：win10 64位，N卡GTX950，Visual Studio 2013，MatLab 2014a, Anaconda2，PyCharm2016.
由于之前使用win下的theano和keras，所以安装了anaconda2，确实很好用，建议使用python的话还是装anaconda比较简单。
安装caffe前提要求：电脑系统win7,8,10都可以；显卡只有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（推荐）编程的再下载对应软件。
安装步骤：
1.安装cuda和cuDNN（无GPU则无需安装）
因为网上有各种失败案例，所以要注意版本问题。官网即可下载，cuda我下载的是cuda_8.0.44_win10. cuDNN我下载的是cudnn-7.0-win-x64-v4.0（网上对cudnn 版本有争议）。
安装cuda8.0（进官网点击download一步一步来，安装时一直点下一步即默认装到C盘）和cudnn v4（下载下来解压，解压后会有一个名为cuda的文件）即可。
注：官网下载cudnn时会要求注册，填完信息注册完成后，选着cuDNN v4 或者 cuDNN v5 (这取决于 CommonSettings.props 文件里标注支持的版本，建议选择 cuDNN v4 Library for Windows)安装尽量默认路径。
cuda:
cudnn:
要实现gpu加速，以上步骤一定认真安装。
2.下载caffe
一种是直接上caffe官网：https://github.com/BVLC/caffe/tree/windows，这种方法需要自己装CuDNN。
另一种是用happynear的caffe-windows：https://github.com/happynear/caffe-windows，这个方法作者已经提供了打包好的第三方库。
因为我自己装的CuDNN，所以我采取第一种方法。下载完后，解压文件，得到一个叫caffe-master的文件夹。我装到了E盘，即E：\caffe-master
3.caffe环境整合
打开caffe-master文件夹，然后看到一个windows文件夹，然后继续打开windows文件夹，看到里面一个CommonSettings.props.example文件，复制出来一份，并改名字为CommonSettings.props。完成过后如下图：
然后打开到 caffe-master/caffe-master/windows 文件夹，用 VS2013 运行 Caffe.sln 文件，检查解决方案中的项目，重点看libcaffe和test_all是否成功地被导入。
第一次应该是这两个显示加载失败的，解决方法如下：
关闭VS，打开 CUDA 安装路径中的 MSbuildExtensions 文件夹，如果你在之前安装时选的是默认路径，那么它应当在 c 盘 / Program File/NVIDIA GPU Cpmputing Toolkit/CUDA/8.0/extras/visual_studio_integration 里
拷贝 MSbuildExtensions 文件夹中的所有文件，复制到 C 盘 / Program File(x86)/MSBuild/Microsoft.Cpp/v4.0(这里取决于你安装的版本)/V120/BuildCustomizations 文件夹下，替换目标中的文件
这时打开VS，发现他俩不再显示加载失败了。
点击 VS2013 里右边的 CommonSettings.props 文件
第 7行 false 保持为false（不是只要用CPU，所以为false）
第 8 行 false 改为 true（要用cudnn，所以为true）
第 9 行 7.5 改为 8.0（我的cuda版本为8.0）
第 13 行 false 改为 true（支持python所以为true）
第 24 行 改为你的 cuDNN 的解压文件中 cuda 文件夹的路径
如我把 cuda 文件夹复制到 E盘 / cuda7 文件夹下，则我在 CommonSettings.props 中路径应当为 E:\cuda7
第 48 行改为 Anaconda2 的安装文件夹，我的Aanconda2在D盘。
4. 编译
编译顺序：libcafffe->caffe->pycaffe
1）编译libcaffe：右击右侧libcaffe，选择属性，打开如下libcaffe属性页：按照如下修改
然后开始编译libcaffe，点击
绿色三角即可，结果会很漫长等待，最后可能会有错误，我的确实出现错误，和大家的错误基本一样，大致是如下：无法打开libcaffe.lib:
网上的解决方案是对libcaffe单独重新生成，如下图所示：
然后重新编译，但这样的话会出现另外一个错误： error C2220:警告被视为错误-没有生成“object”文件
如果出现这样的错误，请打开项目-属性按照下图进行更改：
如果已经改好的话，应该就不会再出现错误。我在运行的过程中出现了上面提及的两个错误，通过重新生成和将警告是为错误这两个解决方法，最终编译正确。
编译完成后，caffe_master文件夹下应该生成了一个名为Build的文件夹，以后编译的成功和运行需要的文件都会存放在..\build\X64\Relase下面。
2）编译caffe
在Visual Studio 2013的解决方案上面右击选择属性（properties）
出现 解决方案“caffe”属性页：按照如下设置，也有教程说选单启动项目，好像都可以。
这个过程更慢，过程需要联网因为可能会FQ，这个过程的结果是为了下载caffe需要用到的第三方库：NugetPackages（里面有16个文件）
可能有的人中途失败或其他原因，所以网上有人把这个包下载好了，可以直接拿来放到上图路径即可。
放到和caffe-windows文件夹的同级目录下。这样之后再打开Caffe.sln时能够自动识别出来，提供一个NugetPackages文件夹的压缩包：http://pan.baidu.com/s/1qYpg3bY，提取码f2zx。
最终编译完成后，会在Release下出现caffe.exe，如果出现说明编译成功。
测试：直接打开与右侧的caffe.cpp,按Ctrl+f5执行。
执行结果：下图为结果即ok！
3）编译pycaffe
我在编译的时候是直接点击pycaffe，直接运行即可，结果也正确，没有出现任何错误或者警告。网上好多教程是要配置路径（出错时），这里不再赘述。
5.测试
首先下载mnist数据集http://yann.lecun.com/exdb/mnist/，这里需要注意的是caffe并不直接通过下载得到的四个文件进行训练，而是会把它转化为lmdb或leveldb格式进行读取。lmdb是lightning(闪电的) memory-mapped database manager的缩写，能够把原始数据通过更为高效的存储方式存储，从而加快读取和训练速度(lmdb比leveldb更快，可以看看刚刚的NugetPackages文件夹，当中就包含着对应的库)。
实现这个转化的代码是\examples\mnist的convert_mnist_data.cpp，但也没必要看，因为它的运行脚本create_mnist.sh显然是linux下的东西。有教程绍如何实现自己的数据集向lmdb和leveldb转换。目前更很好的办法就是直接网盘下载，这里分享一个http://pan.baidu.com/s/1c2G9qyk 提取码xama。
里面是已经经过转换的leveldb格式的训练集和测试集，把这两个文件夹直接放到\examples\mnist目录下，如下图所示：
如果你没有gpu，则要改一个部位：
首先用VS打开\examples\mnist目录下的lenet_solver.prototxt，将最后一行改成CPU：
如果有gpu则不用改动。
可以看到，这个文件是对网络训练参数进行指定：max_iter指定了最大迭代次数，snapshot是输出中间结果。上图中的参数已经修改过，初始的max_iter和snapshot是10000和5000。
接着再用VS打开\examples\mnist目录下的lenet_train_test.prototxt，做如下修改以正确指定训练集和测试集。
这里额外介绍下caffe-windows采用的LeNet-5模型，也就是上图中layer的定义方式。提供该模型的原始资料以供参考：http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf
完成上述工作后就可以编写bat脚本进行正式训练了。回到caffe-windows的根目录下新建一个run.txt并写入以下内容：
即在下图的路径中，先新建一个mytrain.txt(名字随意)，然后写入上图内容，保存时另存为mytrain.bat。
如上图，即mytrain.bat
（ bat文件是dos下的批处理文件。批处理文件是无格式的文本文件，它包含一条或多条命令。它的文件扩展名为 .bat 或 .cmd。在命令提示下键入批处理文件的名称，或者双击该批处理文件，系统就会调用cmd.exe按照该文件中各个命令出现的顺序来逐个运行它们。使用批处理文件（也被称为批处理程序或脚本），可以简化日常或重复性任务。）普及下。。
后缀名改成bat后双击运行，出现类似如下的训练过程：
好了，在我gtx950的gpu下，速度蛮快的，大约十多秒跑完:
OK,吃饭去！
补充下参考博客：
多多参考，才能仔细认真
http://www.cnblogs.com/yixuan-xu/p/5858595.html 从零到一：caffe-windows(CPU)配置与利用mnist数据集训练第一个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 基于Windows10 x64+visual Studio2013+Python2.7.12环境下的Caffe配置学习
cn.bing.com/?FORM=Z9FD1 Windows10+GTX950m+VS2013 环境下编译 Caffe（网页音乐不错23333）
http://www.2cto.com/kf/201612/575865.html Windows 10下安装配置Caffe并支持GPU加速
http://blog.csdn.net/yingwei13mei/article/details/53890072 Caffe之win10版安装小结--细数自己遇到的各种坑
http://blog.csdn.net/qq_14845119/article/details/52415090 Windows下caffe安装详解(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下编译CAFFE并使用其matlab和python接口