如果要把訓(xùn)練好的模型拿來(lái)測(cè)試新的圖片，那必須得要一個(gè)deploy.prototxt文件，這個(gè)文件實(shí)際上和test.prototxt文件差不多，只是頭尾不相同而也。deploy文件沒有第一層數(shù)據(jù)輸入層，也沒有最后的Accuracy層，但最后多了一個(gè)Softmax概率層。

這里我們采用代碼的方式來(lái)自動(dòng)生成該文件，以mnist為例。

deploy.py

# -*- coding: utf-8 -*-
from caffe import layers as L,params as P,to_proto
root='/home/xxx/'
deploy=root+'mnist/deploy.prototxt'    #文件保存路徑
def create_deploy():
    #少了第一層，data層
    conv1=L.Convolution(bottom='data', kernel_size=5, stride=1,num_output=20, pad=0,weight_filler=dict(type='xavier'))
    pool1=L.Pooling(conv1, pool=P.Pooling.MAX, kernel_size=2, stride=2)
    conv2=L.Convolution(pool1, kernel_size=5, stride=1,num_output=50, pad=0,weight_filler=dict(type='xavier'))
    pool2=L.Pooling(conv2, pool=P.Pooling.MAX, kernel_size=2, stride=2)
    fc3=L.InnerProduct(pool2, num_output=500,weight_filler=dict(type='xavier'))
    relu3=L.ReLU(fc3, in_place=True)
    fc4 = L.InnerProduct(relu3, num_output=10,weight_filler=dict(type='xavier'))
    #最后沒有accuracy層，但有一個(gè)Softmax層
    prob=L.Softmax(fc4)
    return to_proto(prob)
def write_deploy(): 
    with open(deploy, 'w') as f:
        f.write('name:"Lenet"\n')
        f.write('input:"data"\n')
        f.write('input_dim:1\n')
        f.write('input_dim:3\n')
        f.write('input_dim:28\n')
        f.write('input_dim:28\n')
        f.write(str(create_deploy()))
if __name__ == '__main__':
    write_deploy()

運(yùn)行該文件后，會(huì)在mnist目錄下，生成一個(gè)deploy.prototxt文件。

這個(gè)文件不推薦用代碼來(lái)生成，反而麻煩。大家熟悉以后可以將test.prototxt復(fù)制一份，修改相應(yīng)的地方就可以了，更加方便。

訓(xùn)練好的模型caffemodel分類新圖片

經(jīng)過(guò)前面的學(xué)習(xí)，我們已經(jīng)訓(xùn)練好了一個(gè)caffemodel模型，并生成了一個(gè)deploy.prototxt文件，現(xiàn)在我們就利用這兩個(gè)文件來(lái)對(duì)一個(gè)新的圖片進(jìn)行分類預(yù)測(cè)。

我們從mnist數(shù)據(jù)集的test集中隨便找一張圖片，用來(lái)進(jìn)行實(shí)驗(yàn)。

#coding=utf-8
import caffe
import numpy as np
root='/home/xxx/'   #根目錄
deploy=root + 'mnist/deploy.prototxt'    #deploy文件
caffe_model=root + 'mnist/lenet_iter_9380.caffemodel'   #訓(xùn)練好的 caffemodel
img=root+'mnist/test/5/00008.png'    #隨機(jī)找的一張待測(cè)圖片
labels_filename = root + 'mnist/test/labels.txt'  #類別名稱文件，將數(shù)字標(biāo)簽轉(zhuǎn)換回類別名稱
net = caffe.Net(deploy,caffe_model,caffe.TEST)   #加載model和network
#圖片預(yù)處理設(shè)置
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})  #設(shè)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?yōu)?3,28,28)
#transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))    #減去均值，前面訓(xùn)練模型時(shí)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?yōu)锽GR
im=caffe.io.load_image(img)                   #加載圖片
net.blobs['data'].data[...] = transformer.preprocess('data',im)      #執(zhí)行上面設(shè)置的圖片預(yù)處理操作，并將圖片載入到blob中
#執(zhí)行測(cè)試
out = net.forward()
labels = np.loadtxt(labels_filename, str, delimiter='\t')   #讀取類別名稱文件
prob= net.blobs['Softmax1'].data[0].flatten() #取出最后一層（Softmax）屬于某個(gè)類別的概率值，并打印
print prob
order=prob.argsort()[-1]  #將概率值排序，取出最大值所在的序號(hào) 
print 'the class is:',labels[order]   #將該序號(hào)轉(zhuǎn)換成對(duì)應(yīng)的類別名稱，并打印