博主最近在学习caffe，所以会将每一个关键节点都记录下来，方便自己查看，也希望能够帮到有需要的人！
首先，这篇文章是基于你已经能够用自己的数据集训练caffe中现成的深度网络，如letnet、caffenet等。如果这一步你还没有实现，建议查看博主之前的博客，有关于这一块的过程。
在你成功的进行了训练之后，在你指定的路径下，一般是你的solver.prototxt配置文件所在的路径下，caffe会自动生成一个caffemodel，这个caffemodel中记录了你训练完成的网络参数。有了这些参数，才能够将这个训练好的网络用于图片分类。
如上图所示，其中的500，5000代笔你训练的次数，在这里建议如果你的数据集很小的话，训练次数可以少一些，不然很容易出问题，比如你的测试accuracy=1。这样是不现实的，肯定是训练时出了问题，而且很大概率和你的数据集的size和训练次数有关。
另外，deploy.prototxt文件也要注意，这个在caffe的models下点开任意一个网络都能找到，这个是一个简洁版的深度网络，不包含数据集的读入和测试部分，只是纯粹的接收单张图片输入，然后进过卷积、池化等一系列操作直接输出最终结果，也即是一个概率向量。然后去这个向量中最大元素的下标也即是图像所对应的类别。
整体的思路就是，要用到这个deploy.prototxt配置文件，重构网络的前向计算，不用考虑反馈，权值更新之类的问题。因为权值已经训练好了并且保存在caffemodel文件中，我们只需要读出来就行。
博主是在jupyter notebook 环境下实现这一过程的，至于这个notebook怎么用，可以百度也可以参考博主之前的文章，博主本人一直都是用的这个，很是方便和直观。
下面粘代码：
# coding: utf-8
# In[19]:
import numpy as np
import matplotlib.pyplot as plt
#%matplotlib inline
plt.rcParams['figure.figsize']=(10,10)
plt.rcParams['image.interpolation']='nearest'
plt.rcParams['image.cmap']='gray'
import sys
caffe_root='/home/mysj/caffe/'
sys.path.insert(0,caffe_root+'python')
import caffe
import os
if os.path.isfile(caffe_root+'examples/myfile/solver_iter_500.caffemodel'):
print 'CaffeNet found'
#else:
# print 'Downloading pre-trained caffeNet model....'
# !../scripts/download_model_binary.py ../models/bvlc_reference_caffenet
#timeit net.forward()
caffe.set_device(0)
caffe.set_mode_gpu()
model_def=caffe_root+'examples/myfile/deploy.prototxt'
model_weights=caffe_root+'examples/myfile/solver_iter_500.caffemodel'
net=caffe.Net(model_def, # defines the structure of the model
model_weights, # contains the trained weights
caffe.TEST) # use test mode (e.g., don't perform dropout)
#print net
mu=np.load(caffe_root+'python/caffe/imagenet/ilsvrc_2012_mean.npy')
mu=mu.mean(1).mean(1)
print 'mean-subtracted values:',zip('BGR',mu)
transformer=caffe.io.Transformer({'data':net.blobs['data'].data.shape})
transformer.set_transpose('data',(2,0,1))#0,1,2 represents three channels
transformer.set_mean('data',mu)
transformer.set_raw_scale('data',255)
transformer.set_channel_swap('data',(2,1,0))#change RGB to BGR-210
net.blobs['data'].reshape(50,
3,
227,227)
########################################################################
###### load image for detection ############
######################################################################
#image=caffe.io.load_image(caffe_root+'examples/images/cat.jpg')
image=caffe.io.load_image(caffe_root+'examples/images/507.jpg')
transformed_image=transformer.preprocess('data',image)#transform image with transformer RGB to BGR-210
plt.imshow(image)
net.blobs['data'].data[...]=transformed_image
output=net.forward()
output_prob=output['prob'][0]# the output probability vector for the first image in the batch
###输出当前batch中的第一副图像的可能类别向量。######################
print 'predicted class is:',output_prob.argmax()
labels_file=caffe_root+'data/re/labels_words.txt'
labels=np.loadtxt(labels_file,str,delimiter='\t')
print 'output label:',labels[output_prob.argmax()]
#net.forward()
#%timeit net.forward()
################################################################################
#print 'predicted class is:',output_prob
#print output_prob
运行，会输出你所给的图片最有可能的类别。注意其中的labels_words.txt是根据自己的数据集生成的标签集，里面一次存放每一类的标签。如：
class0: dog
class1: cat
class2: fish
.....
.....至此，基于你自己的数据集训练好的网络就能够用于实际的应用了，虽然并没有什么实际应用。
2333333333
不明白的欢迎随时交流。