在caffe源码中有一个example文件夹，在example目录下有一个cpp_classification的文件夹，打开它，有一个名为classification的cpp文件，这就是caffe提供给我们的调用分类网络进行前向计算，得到分类结果的接口
1、首先观察Classifier类的构造函数
比如检验是否只输入一张图像，检验模型输出结果的blob中的N是否为1
检验输入图像的通道数是否为3或者1
检验网络最后输出的通道数是否等于标签文档中定义的标签的数目
1）首先是设置caffe的cpu或gpu工作模式
2）读取网络结构
3）获取网络规定的单张输入图片的尺寸（宽与高）
4）读取数据集的均值文件
该函数的主要作用是将均值文件（通常是binaryproto格式）读入proto中，再由FromProto函数将proto中的均值文件读取到blob中
在该函数中，检验了均值blob的通道数是否等于输入图像的通道数，假如输入图像是三通道的，那么RGB通道对应各自的均值
2、进行网络前传得到分类结果的Classify函数
N默认参数是5，该函数接受单张图片，并得到概率最大的前N类结果，其中的Predict函数特别重要
该函数进行网络的前传，如果网络使用softmax分类器，则返回网络输入对应于每一个类别的概率，这些概率存储在一个vector中
假如分类网络中分类器采用softmax分类（10类），那么输出blob就有10个通道，每个通道的长宽都是1，这10个数表征输入属于10类中每一类的概率，这10个数之和应该为1.
其中，Predict函数在将输入图像的各个通道放入网格的输入blob中时，caffe是在WrapInputLayer函数中先将网络的输入blob与一个vector<Mat>* input_channels关联起来，再在Preprocess函数中将输入图像逐通道防区input_channels中，此时，输入图像就被写入到输入blob中。
参考自https://blog.csdn.net/jiongnima/article/details/70197866
其中还有一个测试该cpp文件的例子，这个例子原作者说明了初始化检测对象相当耗时，所以要将检测程序做成一个独立的.so文件。