En parlant de frameworks Deep Learning, Caffe, Tensorflow, Chainer, etc. sont célèbres, mais beaucoup d'entre eux ne prennent pas en charge Windows, donc jusqu'à présent, l'environnement était construit sur Ubuntu. (Chainer fonctionne également sous Windows) Mais je veux toujours le faire sous Windows. C'est pourquoi j'ai réussi à construire Caffe à la suite d'essais et d'erreurs quant à savoir si cela pouvait être fait sous Windows, donc je vais le noter.
Cela dit, ce n'est pas particulièrement difficile, et la version Windows de Caffe a un lien de la page officielle vers le référentiel Github, vous pouvez donc le construire en suivant le README. https://github.com/Microsoft/caffe
Cependant, avec la procédure ci-dessus, il doit s'agir de cudnn3 ou cudnn4, ou il n'y a pas d'explication détaillée ...
Je veux utiliser cudnn 5.1, donc je fourche la branche Windows de Caffe et utilise le référentiel modifié pour cuDNN v5. Les changements sont les suivants.
・ Inclure \ caffe \ layers \ cudnn_relu_layer.hpp ・ Inclure \ caffe \ layer \ cudnn_sigmoid_layer.hpp ・ Incluez \ caffe \ layers \ cudnn_tanh_layer.hpp ・ Incluez \ caffe \ util \ cudnn.hpp ・ Src \ caffe \ couches \ cudnn_conv_layer.cu ・ Src \ caffe \ couches \ cudnn_relu_layer.cu ・ Src \ caffe \ couches \ cudnn_relu_layer.cpp ・ Src \ caffe \ couches \ cudnn_sigmoid_layer.cu ・ Src \ caffe \ couches \ cudnn_sigmoid_layer.cpp ・ Src \ caffe \ couches \ cudnn_tanh_layer.cu ・ Src \ caffe \ couches \ cudnn_tanh_layer.cpp
https://github.com/yuzsh/caffe
Clonage du référentiel (je vous laisse l'emplacement) Téléchargez la version Windows de la branche.
git clone -b windows https://github.com/yuzsh/caffe.git
Allez dans le répertoire racine de caffe et copiez le fichier de propriétés.
copy .\windows\CommonSettings.props.example .\windows\CommonSettings.props
Je vais omettre comment installer diverses bibliothèques,
Veuillez installer CUDA et cudnn à partir de la [page officielle de NVIDIA](https://developer.nvidia.com/cuda-gpus).
Pour Python, il est pratique d'utiliser [Anaconda](https://anaconda.org).
De plus, le module Python nécessite numpy, scipy, matplotlib, scikit-image et protobuf, vous devez donc les installer. J'ai fait ce qui suit:
>```activate anaconda2
conda install -y numpy scipy matplotlib scikit-image pip
pip install protobuf
Ouvrez. \ Windows \ CommonSettings.props. Il sera plus facile de voir si vous l'ouvrez dans Visual Studio. Où vérifier
Au fait, en mode Débogage, si Python n'est pas défini sur false, une erreur se produira car Python27_d.lib n'existe pas.
Une fois que c'est fait, je le changerai en "Traiter les avertissements comme des erreurs: Non" dans les paramètres du projet, mais si j'ai cloné mon référentiel, je l'ai déjà fait, donc je pense que ça va.
### Construire
Ouvrez ensuite le fichier caffe.sln et générez la solution.
Ça prend beaucoup de temps.
Lorsque la construction est terminée avec succès, exe et dll seront créés dans Build \ x64 \ Release (ou Build \ x64 \ Debug).
### Paramètre PATH
Ajoutez `` <caffe_root> \ Build \ x64 \ Release \ pycaffe``` à la variable d'environnement PYTHONPATH.
En passant, [RapidEE](http://www.rapidee.com/en/about) est pratique pour gérer les variables d'environnement dans Windows.
### Contrôle de fonctionnement
Ouvrez une invite de commande, lancez python et si l'importation de caffe réussit sans erreur, l'installation est terminée.
De plus, si vous allez dans <CAFFE_HOME> \ Build \ x64 \ Release et exécutez caffe.exe et que le message d'utilisation s'affiche, vous pouvez confirmer que l'EXE a été généré sans aucun problème.
En complément, des exemples tels que MNIST sont écrits dans des scripts shell, il est donc nécessaire de préparer un environnement et un logiciel qui peuvent l'exécuter.
Je l'ai mis quand j'ai mis git.
C'est tout.
Je pense que c'était plus facile que Ubuntu.
À propos, le chainer ne peut être installé qu'avec `` pip install chainer ''.
Recommended Posts