第一步.假若你的电脑有NVIDIA的GPU，想要用它来训练神经网络，需要下载安装CUDA：
下载地址：https://developer.nvidia.com/cuda-downloads
我这里以win10、 64位，安装的是cuda8.0，你也可以安装其他版本（高于7.5版本）：
一直next安装即可！装好之后把CUDA安装目录下的bin和lib\x64添加到Path环境变量中。
第二步.接着还需要安装对应版本cuDNN
1.下载地址（需要注册下载）：https://developer.nvidia.com/rdp/cudnn-download
2.解压，把解压出来的中bin,include,lib中的文件分别拷贝到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0路径下的对应文件夹里面！
3.把C:\Program Files\NVIDIA GPUComputing Toolkit\CUDA\v8.0\extras\CUPTI\libx64里面的cupti64_80.dll复制到C:\ProgramFiles\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin路径下，如下图所示：
这样就把使用GPU的环境配置好了！！！注意：cuda安装好后，它的环境变量同时也被自动设置好了，无需自己手动设置。
配置好GPU驱动后，接下来，我们就可以开始安装Caffe！
第一步. 从Microsoft官方Github上下载Caffe的源码压缩包。微软移植了Caffe,在windows下面做了些调整，使得我们的安装配置会比较简单一点。
下载地址：https://github.com/Microsoft/caffe
第二步. 安装
1. 经过上述步骤，我假设你的GPU cuda驱动已经正确安装。解压已经下载好的caffe源码压缩包windows-caffe-master.zip
进入解压的得到的windows-caffe-master文件夹。将之前安装cudnn时用到的整个cuda文件夹复制一份到windows-caffe-master文件夹。
打开caffe-master文件夹,可以看到有一个windows文件夹,然后继续打开windows文件夹,看到里面有一个CommonSettings.props.example文件,复制出来一份,并改名字为CommonSettings.props。
用VS2013打开本文件夹下的Caffe.sln，如下图：
首先设置libcaffe为启动项目！
可能大家会看到提示libcaffe没有加载成功。主要原因在于propos里面的默认设置cuda版本是7.5，而如果你装的是8.0（或其他），就出现了冲突！
解决办法很简单，打开CommonSettings.props文件，找到<CudaVersion>，将里面的版本改为你的版本（比如我这里装的是8.0）。然后关闭vs工程，重新打开caffe.sln。
还有一个原因是vs2013的安装路径中缺少 CUDA 8.0.props （和CUDA 8.0.targets），
其实 CUDA 8.0.props（和CUDA 8.0.targets）就在cuda的安装目录下，我的cuda安装路径如下：
C:\ProgramFiles\NVIDIA GPU ComputingToolkit\CUDA\v8.0\extras\visual_studio_integration\MSBuildExtensions
把该路径下所有文件全部拷贝到vs2013安装路径下即可！
我的vs2013安装路径如下：
C:\ProgramFiles (x86)\MSBuild\Microsoft.Cpp\v4.0\V120\BuildCustomizations
做了上面的工作，libcaffe和testall的加载就应该都不会再有错误提示了！
2.打开CommenSetting.probs.在<CuDnnPath>那里把cuda文件夹所在路径填进去。
(比如我这里是把从cudnn-8.0-windows10-x64-v5.1.zip解压出的cuda文件夹，放在了D:\caffe_GPU下，所以这里我就填写D:\caffe_GPU)
此时，我们可以开始准备编译项目了！我这里选择编译类型为release,x64。
打开libcaffe属性设置，关闭视警告为错误(即设置为No)如果不设置的话,在编译boost库的时候会由于文字编码的警告而报错!!!
然后就开始编译生成（ctrl+F5）,注意我们这时候首先编译生成的是libcaffe !!!
在编译生成的前期阶段，你可能会发现Visual Studio很卡，这是因为在安装一些第三方库(opencv,boost之类的，MicroSoft用Nuget集成在了这一步）！
之后会发现caffe-master目录下自动多了一个文件夹NugetPackages！
注意:之所以选择微软官方的版本,是因为在编译过程中会自动下载一些依赖库，不用手动选择,所以非常简单方便.。
注意：在libcaffe的编译生成过程中，可能会出现以下报错：
解决方案：
在路径NugetPackages/OpenCV.2.4.10/build/native/中找到OpenCV.props，打开作如下修改后保存！
等了一段时间后，libcaffe项目终于成功生成了！在我们的caffe-master路径下就会自动出现一个名叫Build的文件夹！
进入Build\x64\Release。
以后编译成功和运行需要的文件都会存放在这个Build\x64\Release下面。
接下来，可以选择更多的项目来编译。类似地，我们接下来也可以只选择caffe项目（C++接口的caffe）和convert_mnist_data项目来编译，同样的要注意配置成release和x64，还有关闭视警告为错误(即设置为No))。然后类似的build (ctrl+f5)，这样在Build\x64\Release下面就会多出caffe.exe和convert_mnist_data.exe（因为下面测试mnist数据集要用到，所以先编译出来）。还有一些其他的文件需要的时候再编译（比如pycaffe, matcaffe） (同样的要注意release和X64，还有关闭视警告为错误(即设置为No))
测试安装好的Caffe ：
1. 在这个地址下载Mnist数据集（ 其实国内网站也有很多下载，比如CSDN）：
http://yann.lecun.com/exdb/mnist/
下载完后解压得到对应的四个文件，这四个文件不能直接用于caffe的训练和测试。需要利用编译生成的convert_mnist_data.exe把四个文件转换为caffe所支持的leveldb或lmdb文件。
所以我们先把下载好的四个文件放到caffe根目录下的data\mnist文件夹下。
第一步：在caffe-windows安装的根目录下，新建一个mnist_data_convert.bat文件，用来将原始的mnist数据转换成caffe能读入的lmdb格式，并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
如下图所示：
保存并双击运行mnist_data_convert.bat文件，就会将原始的mnist数据转换成caffe能读入的lmdb格式！
第二步：开始测试利用mnist训练lenet网络，在caffe-windows根目录下新建一个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
保存并双击运行，caffe开始用mnist数据集训练lenet网络。表明Caffe框架安装成功！！！
附录
Pycaffe安装教程（gordon2018.5.23）：
1. 因为pycaffe基于python2.7，所以我们要在在已有Anconda3环境下安装python2虚拟环境：
安装Anaconda3后，自带Python3.5，但我们有时候还需要一个Python2.7来执行一些老的脚本程序，此时可以给Anaconda3再创建一个新的独立的python2.7的环境。调出Anaconda3的命令行工具AnacondaPrompt。如下图所示，执行命令：
$ conda create -n py2 anacondapython=2.7
1. 其中py2就是你的新的python2.7环境的名称，接下来提示你是否安装一大堆的包！全部选择yes！安装成功界面如下：
如何使用python2.7环境？命令如下：
Windows: activatepy2
Linux and Mac OS X: source activate py2
如何结束python2.7环境：
Windows: deactivate
Linux and Mac OS X:source deactivate
想要删除指定路径下的虚拟环境，使用如下的命令：
conda remove--prefix=D:\Anaconda3\envs\py2 –all
3.python2虚拟环境是安装在D:\Anaconda3\envs\py2目录下的！我们现在来编译pycaffe。首先需要确认配置文件CommonSettings.props的参数中第13、48行已修改，如下：
<PythonSupport>true</PythonSupport>
<PythonDir>D:\Anaconda3\envs\py2</PythonDir>
4.设置编译方式为release，x64，设置pycaffe为启动项目，设置“将警告视为错误”为否！！！设置ctrl+f5开始生成！
编译完成以后，会生成一个：caffe-master\caffe-master\Build\x64\Release\pycaffe文件夹，进入以后如下图所示：
接着将那个caffe文件夹复制到python2虚拟环境根目录下：
D:\Anaconda3\envs\py2\Lib\site-packages
1. 最后，打开AncondaPrompt，切换到Python2环境（activatepy2
），然后就可以尝试：import caffe
出现报错！ImportError:No module named google.protobuf.internal
直接在python2虚拟环境下执行pip install protobuf即可！
模块安装完成以后,再import caffe，就OK了。
安装完pycaffe后，可以复制下面的代码，测试一下！
（下面代码主要是导入caffe安装目录下提供的一个预训练好的模型bvlc_reference_caffenet.caffemodel，它支持1000个分类，用它来预测一张图片是什么类别，可以找一只猫来试一下！！！synset_words.txt文件时imagenet上1000个分类所对应的名称，没有的话网上找一个就行了，到处都是）
#python2环境默认的是ascii编码， python3默认的是utf-8编码。
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' #随机找的一张待测图片
labels_filename='D:/caffe_GPU/caffe-master/caffe-master/models/bvlc_reference_caffenet/synset_words.txt' #类别名称文件，将数字标签转换回类别名称
net = caffe.Net(deploy,caffe_model,caffe.TEST) #加载model和network
print"load caffemodel ..."
#图片预处理设置
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) #设定图片的shape格式(1,3,28,28)
transformer.set_transpose('data',(2,0,1)) #改变维度的顺序，由原始图片(28,28,3)变为(3,28,28)
#transformer.set_mean('data',np.load(mean_file).mean(1).mean(1)) #减去均值，前面训练模型时没有减均值，这儿就不用
transformer.set_raw_scale('data',255) # 缩放到【0，255】之间
transformer.set_channel_swap('data',(2,1,0)) #交换通道，将图片由RGB变为BGR
im=caffe.io.load_image(img) #加载图片
net.blobs['data'].data[...]= transformer.preprocess('data',im) #执行上面设置的图片预处理操作，并将图片载入到blob中
#执行测试
out = net.forward()
labels = np.loadtxt(labels_filename, str, delimiter='\t') #读取类别名称文件
prob= net.blobs['prob'].data[0].flatten()#取出最后一层（Softmax）属于某个类别的概率值，并打印
print prob
order=prob.argsort()[-1] #将概率值排序，取出最大值所在的序号
print'the class is:',labels[order] #将该序号转换成对应的类别名称，并打印