Caffe CPU 版在 Windows 系统上的完整安装与配置指南

想在 Windows 电脑上跑 Caffe 做深度学习，但显卡不给力或者不想折腾 GPU 驱动？别担心，用 CPU 版本照样能学起来。今天我就手把手带你搞定 Caffe CPU 版在 Windows 上的安装，从零开始，小白也能轻松跟上。

一、安装前准备：打好基础是关键

在开始之前，我们需要准备一些必要的工具和环境。就像盖房子要先打地基一样，这一步做好了，后面的安装就会顺利很多。

1. 系统要求检查

• Windows 7/8/10/11 64位系统（32位系统不行）
• 至少 4GB 内存（8GB 以上更佳）
• 10GB 以上的可用硬盘空间
• 稳定的网络连接（下载依赖包需要）

2. 必备软件安装

首先安装 Visual Studio 2015 或 2017（社区版免费）。这是编译 Caffe 必需的。去微软官网下载安装时，记得勾选“C++ 桌面开发”选项。

接着安装 CMake，这是跨平台的编译工具。下载最新版本，安装时选择“Add CMake to system PATH”方便后续使用。

Python 方面，建议安装 Anaconda，它自带了很多科学计算库。下载 Python 3.6 或 3.7 版本的 Anaconda（Caffe 对更高版本支持可能有问题）。

二、详细安装步骤：一步一步跟着做

下面进入核心安装环节，我会尽量详细说明每个步骤。

步骤1：下载 Caffe 源代码

打开命令行（按 Win+R，输入 cmd），依次输入以下命令：

cd Desktop
git clone https://github.com/BVLC/caffe.git
cd caffe
git checkout windows

如果 Git 命令不识别，你需要先安装 Git for Windows。安装后重新打开命令行。

步骤2：修改配置文件

进入 caffe 目录，找到 scripts\build_win.cmd 文件，用记事本打开。找到下面这几行进行修改：

• 设置 WITH_NINJA=0（不用 Ninja 编译）
• 设置 CPU_ONLY=1（这是关键，告诉系统用 CPU 版）
• 设置 USE_LMDB=0（初次安装可禁用 LMDB 减少问题）
• Python 版本改为你安装的版本，比如 PYTHON_VERSION=3.6

步骤3：执行编译脚本

回到命令行，确保在 caffe 目录下，然后输入：

scripts\build_win.cmd

这个过程会自动下载依赖库并开始编译，时间较长（可能30分钟到1小时），取决于电脑性能。保持网络畅通，耐心等待。

步骤4：设置环境变量

编译完成后，需要告诉系统在哪里找到 Caffe。右键点击“此电脑”->“属性”->“高级系统设置”->“环境变量”。

在“系统变量”部分，找到并编辑 Path 变量，添加以下路径（具体路径根据你的实际安装位置调整）：

C:\caffe\Build\x64\Release\pycaffe
C:\caffe\Build\x64\Release

步骤5：测试安装是否成功

打开新的命令行窗口（重要！让环境变量生效），输入：

python

进入 Python 环境后，输入：

import caffe
print(caffe.__version__)

如果看到版本号输出，恭喜你！安装成功了。如果报错，请继续看下面的故障排除部分。

三、常见问题与解决方案

即使按照步骤操作，也可能遇到各种问题。这里我总结了一些常见情况及解决办法。

问题1：编译时报错“找不到包”或“下载失败”

这通常是网络问题。解决方法：

• 手动下载依赖包：脚本会尝试从 GitHub 下载依赖，有时国内访问不稳定。可以尝试使用网络代理或更换网络环境
• 离线安装：找到 scripts 文件夹下的 download_prebuilt_dependencies.py 文件，查看它要下载哪些文件，然后手动下载并放到指定位置

问题2：导入 caffe 时提示 DLL 加载失败

这是因为系统找不到必要的动态链接库。解决方法：

• 将 C:\caffe\Build\x64\Release 目录下的所有 .dll 文件复制到 C:\Windows\System32 目录下
• 或者将上述路径添加到系统环境变量 Path 中

问题3：Python 版本不兼容

Caffe 对 Python 3.6 和 3.7 支持较好，更高版本可能有问题。如果你安装了其他版本：

• 通过 Anaconda 创建一个新的 Python 3.6 环境：conda create -n caffe_env python=3.6
• 激活环境：activate caffe_env
• 在这个环境中重新编译 Caffe

问题4：内存不足导致编译失败

编译 Caffe 需要较大内存，如果电脑内存较小：

• 关闭所有其他程序
• 修改 CMake 参数，在 build_win.cmd 中添加 -DCMAKE_CXX_FLAGS="/MP /bigobj" 可以缓解一些问题
• 如果还是不行，考虑增加虚拟内存

四、运行你的第一个 Caffe 程序

安装好了，我们来跑个简单的例子验证一切正常。

MNIST 手写数字识别示例

1. 准备数据：

   cd caffe
   data\mnist\get_mnist.sh

如果 .sh 文件不能运行，可以手动从官网下载 mnist 数据集，解压到 data/mnist 目录下。

2. 转换数据格式：

   Build\x64\Release\convert_mnist_data.exe data\mnist\train-images-idx3-ubyte data\mnist\train-labels-idx1-ubyte examples\mnist\mnist_train_lmdb
   Build\x64\Release\convert_mnist_data.exe data\mnist\t10k-images-idx3-ubyte data\mnist\t10k-labels-idx1-ubyte examples\mnist\mnist_test_lmdb

3. 修改网络配置： 进入 examples\mnist 目录，用记事本打开 lenet_train_test.prototxt，将最后两层的“backend”参数从“LMDB”改为“LEVELDB”（如果前面禁用了 LMDB）。

4. 开始训练：

   Build\x64\Release\caffe.exe train --solver=examples\mnist\lenet_solver.prototxt

训练过程会在命令行显示，看到 loss 值逐渐下降就说明运行成功了！

五、性能优化与使用建议

CPU 版 Caffe 虽然方便，但速度确实比 GPU 版慢。这里有一些优化建议：

1. 提升训练速度的技巧

• 使用更小的 batch size：在 Solver.prototxt 中减小 batch_size 值
• 调整学习率：适当增加 base_lr 可能加快收敛
• 使用预训练模型：从网上下载别人训练好的模型，在此基础上微调

2. 内存优化

• 监控内存使用：训练时打开任务管理器，确保内存充足
• 使用内存映射文件：对于大型数据集，考虑使用 MemoryDataLayer

3. 日常使用建议

• 简单任务和学习用途，CPU 版完全足够
• 复杂模型或大数据集训练，建议在晚上或空闲时间进行
• 定期保存快照：在 solver.prototxt 中设置 snapshot 参数，防止意外中断

六、进阶：从 CPU 版迁移到 GPU 版

当你熟悉了 Caffe 的基本使用，可能会想尝试 GPU 加速。这时你可以：

1. 安装 CUDA 和 cuDNN（需要 NVIDIA 显卡）
2. 重新编译 Caffe，将 CPU_ONLY=1 改为 CPU_ONLY=0
3. 其他配置基本保持不变

这样你就能无缝切换到 GPU 加速，享受更快的训练速度了。

写在最后

Caffe 在 Windows 上配置确实比 Linux 麻烦一些，但按照上述步骤，大多数人都能成功安装。CPU 版本虽然速度不如 GPU，但对于学习深度学习原理、运行小规模模型完全足够。

最重要的是动手尝试。遇到问题不要慌，仔细看错误信息，大部分问题都能在网上找到解决方案。深度学习的世界很大，从成功安装 Caffe 开始，一步步探索吧！

如果你在安装过程中遇到本文未覆盖的问题，欢迎在评论区留言，我会尽力帮你解答。