用了两天时间完成了如标题的任务，中间也遇到了不少的问题，在此记录一下整个过程。
- 我的环境
- win10 x64
- Intel® Core™ i5-8400 CPU @ 2.80GHz
- VS 2015 x64 （注：caffe2 支持VS 2015 和 2017）
- C++
- CMake 3.14 rc（至少3.4以上吧）
1. caffe2的下载
链接：https://github.com/BVLC/caffe/tree/windows
在下载页面有readme，这里我简单介绍一下我在搭建环境时所做的步骤。
2. 添加本地环境变量
（1）添加cmake.exe文件的路径到PATH下
（2） 添加环境变量
CMAKE_C_COMPILER=your/path/to/cl.exe
CMAKE_CXX_COMPILER=your/path/to/cl.exe
3. 修改执行文件
在caffe-windows\scripts文件夹下有一个执行文件build_win.cmd。进行对应修改后，可正确运行。我主要修改了70-99行。具体包括VS的版本、只使用CPU、CMake配置为Release、不使用python。
4. 进行编译
双击执行build_win.cmd文件或者在cmd窗口运行，区别是后者在执行错误时可以看到错误信息。编译完成后build目录如下所示。（注：执行该步骤前最好删除build文件夹内部的所有文件）
5. 生成caffe工具
双击打开caffe.sln文件，选择Release x64编译环境，在解决方案窗口，右击整个解决方案，选择生成。 生成完成后在build\tools\Release文件夹内会有我们需要的文件和程序生成。
————————————————————————————————————————————————————
至此，caffe 作为工具来说，已经配置完成了，接下来就可以进行实际的应用了。比如你可以在网上下载一些models，进行物体的识别。下面我会以人脸为例子，利用这个工具，生成我想要的识别人脸的model。
6. 准备人脸数据集
我使用的是IMM人脸数据集，下载地址：http://www.imm.dtu.dk/~aam/
7. 数据处理（这一步是最麻烦的，我做的时候出问题最多）
IMM数据库里的图片是jpg格式的图片，是不能直接使用的，需要将这很多张图片转化为两个Imdb数据文件。转换工具caffe也已经为我们提供了，即convert_imageset工具。为此，我们需要先写一个索引文件（txt格式），文件内容如下。
表示的含义也很简单，我们下载的人脸库，共有40个人，每人6张，共计240张图片，这个txt文件就表示每张图片是哪个人，本次训练中，在每人6张图片中取前4张作为训练图片，第5张用作测试，第6张暂不使用。
下面我们从caffe2使用的角度来解释为什么生成这个txt文件。
（1）在caffe/tools路径下有一个convert_imageset.cpp文件，文件开头就介绍了。
// This program converts a set of images to a lmdb/leveldb by storing them
// as Datum proto buffers.
// Usage:
// convert_imageset [FLAGS] ROOTFOLDER/ LISTFILE DB_NAME
// where ROOTFOLDER is the root folder that holds all the images，# ROOTFOLDER是图片文件夹的绝对路径
//and LISTFILE should be a list of files as well as their labels, in the format as # LISTFILE是一个包含图片名称和 label 的 .txt文件，图片名称和 label 之间要有一个空格。
// subfolder1/file1.JPEG 7 # DB_NAME是要存放LMDB文件的文件夹名称，DB_NAME后面还可以跟一些可选的参数设置，具体有哪些可选的参数参见“可选参数设置部分”
注意：ROOTFOLDER 后面的“/”不能少。
（2）可选参数的介绍
gray：bool类型，默认为false，如果设置为true，则代表将图像当做灰度图像来处理，否则当做彩色图像来处理
shuffle：bool类型，默认为false，如果设置为true，则代表将图像集中的图像的顺序随机打乱
backend：string类型，可取的值的集合为{"lmdb", "leveldb"}，默认为"lmdb"，代表采用何种形式来存储转换后的数据
resize_width：int32的类型，默认值为0，如果为非0值，则代表图像的宽度将被resize成resize_width
resize_height：int32的类型，默认值为0，如果为非0值，则代表图像的高度将被resize成resize_height
check_size：bool类型，默认值为false，如果该值为true，则在处理数据的时候将检查每一条数据的大小是否相同
encoded：bool类型，默认值为false，如果为true，代表将存储编码后的图像，具体采用的编码方式由参数encode_type指定
encode_type：string类型，默认值为""，用于指定用何种编码方式存储编码后的图像，取值为编码方式的后缀（如'png','jpg',...)
（3）示例
convert_imageset ImgSetRootDir/ ImgFileList.txt imgSet.lmdb --gray=true --resize_width=160 --resize_height=160
从上述对convert_imageset工具的使用方法进行了介绍，也说明确实需要这样一个文件。但是手动去编写这样一个文件是复杂的，并且是不可复用的，所以建议使用脚本或者可执行程序去生成这样一个文件，这里给出一个在python版本，修改对应路径就可以使用了。
import os
def file_name(file_dir):
for root, dirs, files in os.walk(file_dir):
return files
def writeToFile(fileName, lines):
with open(fileName, 'w') as f: # 若文件不存在则会创建一个
f.writelines(lines)
lines = []
fileNames = file_name('yourPath/train') # 图片路径
for i in range(0, len(fileNames)):
num = str(int(fileNames[i].split('-')[0]) - 1)
line = fileNames[i] + ' ' + num + '\n'
lines.append(line)
writeToFile('yourPath/train.txt', lines) # 生成的txt文件保存路径
好的，我们生成了txt索引文件，接下来，对图片进行格式转换。
转换命令如上面示例，这里在重申一下，不啰嗦了，自行理解。运行成功后，会生成一个文件夹，里面有两个文件，注意他们的大小，如果偏差离谱，可能就是错误的。
convert_imageset ImgSetRootDir/ ImgFileList.txt imgSet.lmdb --gray=true --resize_width=160 --resize_height=160
在此步骤中可能会遇到的问题
- 后面的参数，并不都是可选参数，resize_width和resize_height是必须要加的，否则在后面训练时会出现 Check failed：data_ 的错误。
- 出现有些图片文件不能打开的错误，Could not open or find file，如果只是部分图片出现这个提示，说明文件名有误，进行对应修改即可。如果全部图片都提示，说明路径写错，正确修改后，再次尝试即可。
- 路径问题，在cmd的指令里，路径间隔使用“/”，不使用“\”，拷贝路径时，应该手动修改。
8. 生成均值文件
caffe样本均值文件的作用，就不在这里介绍了，有兴趣的同学可以自行百度。
用法：
compute_image_mean yourPath/img_train_lmdb yourPath/mean.binaryproto
运行成功后，yourPath下面会生成一个mean.binaryproto的均值文件。
9. 编修/修改prototxt文件
下面我们要创建一个train_test.prototxt和solver.prototxt文件，该文件内容是神经网络结构的描述，你可以自己写，也可以使用我提供的模板，注意要改动的地方都标出来了。若了解参数的含义可以自行按照自己的需求优化调整。
10. 训练
在训练之前，我们先创建一个snapshot文件夹，该文件夹保存训练过程中的caffemodel文件，solver.prototxt文件中的snapshot_prefix项指定路径，snapshot:20表示迭代20次保存一次caffemodel。
caffe train -solver yourPath/solver.prototxt
注：训练使用的程序并不是你文件目录下的那个train-net程序，而是caffe，在上面的命令中，caffe是可执行程序的程序名，train是参数。
训练结果也很理想，但是时间还是挺长的，用了近4个小时。