第一步.假若你的電腦有NVIDIA的GPU，想要用它來訓練神經網絡，需要下載安裝CUDA：
下載地址：https://developer.nvidia.com/cuda-downloads
我這裏以win10、 64位，安裝的是cuda8.0，你也可以安裝其他版本（高於7.5版本）：
一直next安裝即可！裝好之後把CUDA安裝目錄下的bin和lib\x64添加到Path環境變量中。
第二步.接着還需要安裝對應版本cuDNN
1.下載地址（需要註冊下載）：https://developer.nvidia.com/rdp/cudnn-download
2.解壓，把解壓出來的中bin,include,lib中的文件分別拷貝到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0路徑下的對應文件夾裏面！
3.把C:\Program Files\NVIDIA GPUComputing Toolkit\CUDA\v8.0\extras\CUPTI\libx64裏面的cupti64_80.dll複製到C:\ProgramFiles\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin路徑下，如下圖所示：
這樣就把使用GPU的環境配置好了！！！注意：cuda安裝好後，它的環境變量同時也被自動設置好了，無需自己手動設置。
配置好GPU驅動後，接下來，我們就可以開始安裝Caffe！
第一步. 從Microsoft官方Github上下載Caffe的源碼壓縮包。微軟移植了Caffe,在windows下面做了些調整，使得我們的安裝配置會比較簡單一點。
下載地址：https://github.com/Microsoft/caffe
第二步. 安裝
1. 經過上述步驟，我假設你的GPU cuda驅動已經正確安裝。解壓已經下載好的caffe源碼壓縮包windows-caffe-master.zip
進入解壓的得到的windows-caffe-master文件夾。將之前安裝cudnn時用到的整個cuda文件夾複製一份到windows-caffe-master文件夾。
打開caffe-master文件夾,可以看到有一個windows文件夾,然後繼續打開windows文件夾,看到裏面有一個CommonSettings.props.example文件,複製出來一份,並改名字爲CommonSettings.props。
用VS2013打開本文件夾下的Caffe.sln，如下圖：
首先設置libcaffe爲啓動項目！
可能大家會看到提示libcaffe沒有加載成功。主要原因在於propos裏面的默認設置cuda版本是7.5，而如果你裝的是8.0（或其他），就出現了衝突！
解決辦法很簡單，打開CommonSettings.props文件，找到<CudaVersion>，將裏面的版本改爲你的版本（比如我這裏裝的是8.0）。然後關閉vs工程，重新打開caffe.sln。
還有一個原因是vs2013的安裝路徑中缺少 CUDA 8.0.props （和CUDA 8.0.targets），
其實 CUDA 8.0.props（和CUDA 8.0.targets）就在cuda的安裝目錄下，我的cuda安裝路徑如下：
C:\ProgramFiles\NVIDIA GPU ComputingToolkit\CUDA\v8.0\extras\visual_studio_integration\MSBuildExtensions
把該路徑下所有文件全部拷貝到vs2013安裝路徑下即可！
我的vs2013安裝路徑如下：
C:\ProgramFiles (x86)\MSBuild\Microsoft.Cpp\v4.0\V120\BuildCustomizations
做了上面的工作，libcaffe和testall的加載就應該都不會再有錯誤提示了！
2.打開CommenSetting.probs.在<CuDnnPath>那裏把cuda文件夾所在路徑填進去。
(比如我這裏是把從cudnn-8.0-windows10-x64-v5.1.zip解壓出的cuda文件夾，放在了D:\caffe_GPU下，所以這裏我就填寫D:\caffe_GPU)
此時，我們可以開始準備編譯項目了！我這裏選擇編譯類型爲release,x64。
打開libcaffe屬性設置，關閉視警告爲錯誤(即設置爲No)如果不設置的話,在編譯boost庫的時候會由於文字編碼的警告而報錯!!!
然後就開始編譯生成（ctrl+F5）,注意我們這時候首先編譯生成的是libcaffe !!!
在編譯生成的前期階段，你可能會發現Visual Studio很卡，這是因爲在安裝一些第三方庫(opencv,boost之類的，MicroSoft用Nuget集成在了這一步）！
之後會發現caffe-master目錄下自動多了一個文件夾NugetPackages！
注意:之所以選擇微軟官方的版本,是因爲在編譯過程中會自動下載一些依賴庫，不用手動選擇,所以非常簡單方便.。
注意：在libcaffe的編譯生成過程中，可能會出現以下報錯：
解決方案：
在路徑NugetPackages/OpenCV.2.4.10/build/native/中找到OpenCV.props，打開作如下修改後保存！
等了一段時間後，libcaffe項目終於成功生成了！在我們的caffe-master路徑下就會自動出現一個名叫Build的文件夾！
進入Build\x64\Release。
以後編譯成功和運行需要的文件都會存放在這個Build\x64\Release下面。
接下來，可以選擇更多的項目來編譯。類似地，我們接下來也可以只選擇caffe項目（C++接口的caffe）和convert_mnist_data項目來編譯，同樣的要注意配置成release和x64，還有關閉視警告爲錯誤(即設置爲No))。然後類似的build (ctrl+f5)，這樣在Build\x64\Release下面就會多出caffe.exe和convert_mnist_data.exe（因爲下面測試mnist數據集要用到，所以先編譯出來）。還有一些其他的文件需要的時候再編譯（比如pycaffe, matcaffe） (同樣的要注意release和X64，還有關閉視警告爲錯誤(即設置爲No))
測試安裝好的Caffe ：
1. 在這個地址下載Mnist數據集（ 其實國內網站也有很多下載，比如CSDN）：
http://yann.lecun.com/exdb/mnist/
下載完後解壓得到對應的四個文件，這四個文件不能直接用於caffe的訓練和測試。需要利用編譯生成的convert_mnist_data.exe把四個文件轉換爲caffe所支持的leveldb或lmdb文件。
所以我們先把下載好的四個文件放到caffe根目錄下的data\mnist文件夾下。
第一步：在caffe-windows安裝的根目錄下，新建一個mnist_data_convert.bat文件，用來將原始的mnist數據轉換成caffe能讀入的lmdb格式，並在文件中添加以下命令:
Build\x64\Release\convert_mnist_data --backend=lmdbdata/mnist/train-images.idx3-ubyte data/mnist/train-labels.idx1-ubyteexamples/mnist/mnist_train_lmdb
Build\x64\Release\convert_mnist_data --backend=lmdbdata/mnist/t10k-images.idx3-ubyte data/mnist/t10k-labels.idx1-ubyteexamples/mnist/mnist_test_lmdb
Pause
如下圖所示：
保存並雙擊運行mnist_data_convert.bat文件，就會將原始的mnist數據轉換成caffe能讀入的lmdb格式！
第二步：開始測試利用mnist訓練lenet網絡，在caffe-windows根目錄下新建一個mnist_test_run.bat.bat文件，在文件中添加：
Build\x64\Release\caffe.exe train--solver=examples/mnist/lenet_solver_adam.prototxt
pause
保存並雙擊運行，caffe開始用mnist數據集訓練lenet網絡。表明Caffe框架安裝成功！！！
附錄
Pycaffe安裝教程（gordon2018.5.23）：
1. 因爲pycaffe基於python2.7，所以我們要在在已有Anconda3環境下安裝python2虛擬環境：
安裝Anaconda3後，自帶Python3.5，但我們有時候還需要一個Python2.7來執行一些老的腳本程序，此時可以給Anaconda3再創建一個新的獨立的python2.7的環境。調出Anaconda3的命令行工具AnacondaPrompt。如下圖所示，執行命令：
$ conda create -n py2 anacondapython=2.7
1. 其中py2就是你的新的python2.7環境的名稱，接下來提示你是否安裝一大堆的包！全部選擇yes！安裝成功界面如下：
如何使用python2.7環境？命令如下：
Windows: activatepy2
Linux and Mac OS X: source activate py2
如何結束python2.7環境：
Windows: deactivate
Linux and Mac OS X:source deactivate
想要刪除指定路徑下的虛擬環境，使用如下的命令：
conda remove--prefix=D:\Anaconda3\envs\py2 –all
3.python2虛擬環境是安裝在D:\Anaconda3\envs\py2目錄下的！我們現在來編譯pycaffe。首先需要確認配置文件CommonSettings.props的參數中第13、48行已修改，如下：
<PythonSupport>true</PythonSupport>
<PythonDir>D:\Anaconda3\envs\py2</PythonDir>
4.設置編譯方式爲release，x64，設置pycaffe爲啓動項目，設置“將警告視爲錯誤”爲否！！！設置ctrl+f5開始生成！
編譯完成以後，會生成一個：caffe-master\caffe-master\Build\x64\Release\pycaffe文件夾，進入以後如下圖所示：
接着將那個caffe文件夾複製到python2虛擬環境根目錄下：
D:\Anaconda3\envs\py2\Lib\site-packages
1. 最後，打開AncondaPrompt，切換到Python2環境（activatepy2
），然後就可以嘗試：import caffe
出現報錯！ImportError:No module named google.protobuf.internal
直接在python2虛擬環境下執行pip install protobuf即可！
模塊安裝完成以後,再import caffe，就OK了。
安裝完pycaffe後，可以複製下面的代碼，測試一下！
（下面代碼主要是導入caffe安裝目錄下提供的一個預訓練好的模型bvlc_reference_caffenet.caffemodel，它支持1000個分類，用它來預測一張圖片是什麼類別，可以找一隻貓來試一下！！！synset_words.txt文件時imagenet上1000個分類所對應的名稱，沒有的話網上找一個就行了，到處都是）
#python2環境默認的是ascii編碼， python3默認的是utf-8編碼。
import sys
print sys.getdefaultencoding()
default_encoding ='utf-8'
if sys.getdefaultencoding()!= default_encoding:
reload(sys)
sys.setdefaultencoding(default_encoding)
print sys.getdefaultencoding()
import caffe
import numpy as np
deploy='D:/caffe_GPU/caffe-master/caffe-master/models/bvlc_reference_caffenet/deploy.prototxt'#deploy文件
caffe_model='D:/caffe_GPU/caffe-master/caffe-master/models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'
img='D:/caffe_GPU/caffe-master/caffe-master/models/bvlc_reference_caffenet/peacock.jpg' #隨機找的一張待測圖片
labels_filename='D:/caffe_GPU/caffe-master/caffe-master/models/bvlc_reference_caffenet/synset_words.txt' #類別名稱文件，將數字標籤轉換回類別名稱
net = caffe.Net(deploy,caffe_model,caffe.TEST) #加載model和network
print"load caffemodel ..."
#圖片預處理設置
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) #設定圖片的shape格式(1,3,28,28)
transformer.set_transpose('data',(2,0,1)) #改變維度的順序，由原始圖片(28,28,3)變爲(3,28,28)
#transformer.set_mean('data',np.load(mean_file).mean(1).mean(1)) #減去均值，前面訓練模型時沒有減均值，這兒就不用
transformer.set_raw_scale('data',255) # 縮放到【0，255】之間
transformer.set_channel_swap('data',(2,1,0)) #交換通道，將圖片由RGB變爲BGR
im=caffe.io.load_image(img) #加載圖片
net.blobs['data'].data[...]= transformer.preprocess('data',im) #執行上面設置的圖片預處理操作，並將圖片載入到blob中
#執行測試
out = net.forward()
labels = np.loadtxt(labels_filename, str, delimiter='\t') #讀取類別名稱文件
prob= net.blobs['prob'].data[0].flatten()#取出最後一層（Softmax）屬於某個類別的概率值，並打印
print prob
order=prob.argsort()[-1] #將概率值排序，取出最大值所在的序號
print'the class is:',labels[order] #將該序號轉換成對應的類別名稱，並打印