caffe 在windows下编译所需的三方库等

caffe windows 编译好可用 caffe-py35-cpu Visual Studio 2015, CPU only, Python 3.5

caffe windows python3.5 cpu模式 x64位 包含fast_rcnn的roi_pooling_layers。下载后直接扔到site-packages目录下就行

将caffe-windows代码封装成链接库，只需要将DLL所在文件夹加入环境变量即可运行。

caffe windows python2.7 cpu模式 x64位 包含fast_rcnn的roi_pooling_layers。下载后直接扔到site-packages目录下就行

caffe-window-python2.7编译包，刚编译完，里面有完整的编译需要的文件，不需要在下载一堆了，所以压缩包会比较大。下载后，找到windows文件夹下的Caffe.sln。强烈建议用vs2013打开，别的版本打开语法不兼容。配置项找到CommonSetings.props进行配置修改。

（1）caffe在windows环境下的模型训练MNIST数据集和leveldb版的转换数据 （2）caffe.exe 和convert_mnist_siamese_data.exe可执行程序；第一个用于caffe模型训练，第二个用于MNIST数据到Leveldb格式转换 （3）训练配置文件（lenet_train_test.prototxt, lenet_solver.prototxt）,cmd命令行代码和训练完成后的模型（lenet_iter_10000.caffemodel）。

caffe一键式训练评估集成开发环境 最近更新2020.07.08 概述 本项目提供一个集成式开发环境，在配好咖啡环境的情况下，立即将准备好的图片放入数据目录下，便可以一键生成lmdb数据文件，均值文件，标注文件和测试评估模型，发现错误样本，部署模型等所有的操作，更难能可贵的是它是跨平台的，可以无缝的在Windos和Linux之间切换。 使用深度学习完成一个特定的任务说明说字符识别，人脸识别等大致可以分为数据准备，定义模型，训练模型，评估模型和部署模型等几个步骤。 配置caffe 现在配置caffe非常方便，仅需几行命令即可搞定，确保安装了所需的依赖，这里仅摘录最关键的部分，其余的详细内容可参见参考链接。 视窗 ::为了减少日后不必要的麻烦，建议VS2015,Cuda8.0,cudnn5.1及以上,python2.7 git clone https://github.com/BVLC/c

caffe-windows-cpu，支持模型多输出，用于测试模型和工程方面，不能训练。

在用caffe源码在windows编译的可执行文件，免去你再次编译的麻烦