目的是解决caffe crnn+ctc识别定长字符串的问题，参考代码地址：https://github.com/yalecyu/crnn.caffe。作者是linux+pycaffe，我尝试改为windows+vs编译。
1.vs2013编译crnn-caffe
参考的代码是pycaffe实现生成验证码识别，无奈对python不熟悉，打算在VS2013上编译cuda8.0+cudnn-v5的多标签caffe.exe，输入数据为ImageData，方便后续自动生成图像后进行训练。
首先需要修改caffe源码，我的源码是caffe-windows，参考的是这篇博客：https://blog.csdn.net/u013010889/article/details/54614067，修改相关image_data_layer代码，实现多标签输入。再把crnn.caffe工程中的continuation_indicator_layer、ctc_loss_layer、labelsequence_accuracy_layer、permute_layer以及第三方库相关文件复制到相对应的目录下，包括.cpp、.cu、.hpp文件。对比crnn-caffe和caffe源码caffe.proto，修改caffe.proto内容。参考VS2013编译GPU版本caffe：https://www.cnblogs.com/xqy1205/p/10295862.html，将上述crnn的文件添加到工程的libcaffe目录下，进行编译。至此，就实现了多标签输入的crnn-caffe.exe，在window平台可以直接使用命令行进行训练。使用caffe.exe time -model deploy.proto可以测试是否编译成功。
2.准备训练图
生成一些图像，resize到固定尺寸，生成标签。根据修改的image_data_layer代码，标签格式为 图像地址 标签1 标签2 标签3，地址和标签之间间隔一个空格。修改prototxt文件内的路径，参考网上教程和crnn-caffe的网络结构，修改路径和网络参数。需要注意的是多标签输入为ImageData格式，参数需要增加一个label_dim；crnn网络中Reshape层的w*h参数要根据自己图像的宽高进行调整，作者默认为宽128*高32的图像经过卷积后为13*1，之后的ContinuationIndicator层、CtcLoss层time_step也要对应修改。测试使用的图像比较少，需要根据实际修改batch_size、test_interval、test_iter参数，我测试使用大概100张图像，训练几秒就收敛了。
3.测试识别效果
把crnn-caffe的examplescpp_recognition ecognition.cpp代码替换caffe源码的classification.cpp，编译生成classification.exe，安装作者说明的格式，运行./build/examples/cpp_recognition/recognition.exe (your).jpg deploy.prototxt (your).caffemodel可以查看识别结果。
参考博客：
https://github.com/yalecyu/crnn.caffe
https://blog.csdn.net/u013010889/article/details/54614067
https://www.cnblogs.com/xqy1205/p/10295862.html
https://blog.csdn.net/pkuhyz/article/details/82427384