经过前面两篇博文的学习，我们已经训练好了一个caffemodel模型，并生成了一个deploy.prototxt文件，现在我们就利用这两个文件来对一个新的图片进行分类预测。
我们从mnist数据集的test集中随便找一张图片，用来进行实验。
#coding=utf-8
import caffe
import numpy as np root='/home/xxx/' #根目录 deploy=root + 'mnist/deploy.prototxt' #deploy文件 caffe_model=root + 'mnist/lenet_iter_9380.caffemodel' #训练好的 caffemodel img=root+'mnist/test/5/00008.png' #随机找的一张待测图片 labels_filename = root + 'mnist/test/labels.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 #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['Softmax1'].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
最后输出 the class is : 5
分类正确。
如果是预测多张图片，可把上面这个文件写成一个函数，然后进行循环预测就可以了。
经过前面两篇博文的学习，我们已经训练好了一个caffemodel模型，并生成了一个deploy.prototxt文件，现在我们就利用这两个文件来对一个新的图片进行分类预测。
我们从mnist数据集的test集中随便找一张图片，用来进行实验。
#coding=utf-8
import caffe
import numpy as np root='/home/xxx/' #根目录 deploy=root + 'mnist/deploy.prototxt' #deploy文件 caffe_model=root + 'mnist/lenet_iter_9380.caffemodel' #训练好的 caffemodel img=root+'mnist/test/5/00008.png' #随机找的一张待测图片 labels_filename = root + 'mnist/test/labels.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 #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['Softmax1'].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
最后输出 the class is : 5
分类正确。
如果是预测多张图片，可把上面这个文件写成一个函数，然后进行循环预测就可以了。