以大神训练好的模型为基础，利用自己的数据进行了finetune之后，下一步就可以真正使用模型来进行分类操作了。具体步骤如下：
1. 编辑分类网络的配置文件deploy.prototxt
deploy文件是真正使用模型时候用的，其结构与train_val.prototxt基本上是一样的，只是输入和输出模块有区别。因此，可以直接把train_val.prototxt拷贝一份，改名为deploy.prototxt，并对其进行编辑：
（1）输入模块
把其中的data层删除（一般有两个，一个用于train，一个用于test），新增一个Input层，一般参数如下：
layer{
name: "data"
type: "Input"
top: "data"
input_param{
shape: { dim: 1 dim: 3 dim: 227 dim: 227}
}
}
需要注意的是，top参数要和后面的cov1的bottom一样，才能把网络连接上；其次，shape是输入的图片的shape，可以在调用caffe的代码中进行修改。
（2）输出模块
删除Accuracy层和SoftmaxWithLoss层，新建一个Softmax层，一般参数如下：
layer {
name: "prob"
type: "Softmax"
bottom: "fc8"
top: "prob"
}
其中，bottom参数为上面的网络中最后一层的top（一般为全连接层）
2.图片信息预处理
在输入到网络之前，需要对图片进行预处理，如减去均值等。具体步骤如下：
（1）转换均值文件格式
因为训练时生成的mean文件是通过caffe自带的工具生成的，是C++使用的格式，使用python接口使用caffe需要先将其转化为npy格式。脚本代码如下：
path = '/Users/Coder/caffe/examples/my_file/' blob = caffe.proto.caffe_pb2.BlobProto() data = open(path + 'mean.binaryproto' , 'rb' ).read() blob.ParseFromString(data) arr = np.array( caffe.io.blobproto_to_array(blob) ) out = arr[0] np.save(path + 'mean.npy' , out )
（2）图片格式化
python中读入的图片与caffe中需要的并不一致，因此需要进行格式化
mu = np.load(my_path + 'mean.npy')
mu = mu.mean(1).mean(1)
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) #shape要与net中data的shape一致
transformer.set_transpose('data', (2, 0, 1)) #caffe.io.load_image读取jpg图片时，第三维是channel，需要把channel换到第一维
transformer.set_mean('data', mu) #减去均值
transformer.set_raw_scale('data', 255) #python中将图片存储为[0, 1]，而caffe中将图片存储为[0, 255]，所以需要一个转换
transformer.set_channel_swap('data', (2, 1, 0)) #python的图片是RGB格式，而caffe中的是BGR格式，需要进行转置
3. 加载模型，进行分类
加载模型的网络和训练好的参数，把图片输入，进行分类
加载模型：
my_path = '/Users/Coder/caffe/examples/my_file/' caffe.set_mode_cpu() #如果只使用CPU，需要这一行，如果使用GPU，则设为GPU model_def = my_path + 'deploy.prototxt' #模型配置文件 model_weights = my_path + 'minemodel/solver_iter_200.caffemodel' #训练好的参数 net = caffe.Net(model_def, model_weights, caffe.TEST)
输入图片，执行分类：
img = caffe.io.load_image('/Users/Coder/caffe/data/re/test/409.jpg') #加载图片，进行预处理
transformed_img = transformer.preprocess('data', img)
net.blobs['data'].reshape(1, 3, 227, 227) # 修改net的data的格式，使之与输入匹配（可以修改第一个参数，进行批处理）
net.blobs['data'].data[...] = transformed_img #输入
output = net.forward() #分类
output_prob = output['prob'][0] #读取分类结果
print 'predicted class is: ', output_prob.argmax()