• 摘要：在caffe的学习过程中,我发现我需要一个模板的程序来方便我测试训练的模型。我在上一篇博客中(caffe学习(五):cifar-10数据集训练及测试(Ubuntu)),最后测试训练好的模型时是修改caffe自带的classify.py来进行测试的,如果每次都修改未免太麻烦了,所以我就上网找了相关的资料。参考博客:Caffe学习系列(20):用训练好的caffemodel来进行分类下载模型1、先去下载一个训练好的caffemodel,bvlc_reference_caffene
  • 在caffe的学习过程中,我发现我需要一个模板的程序来方便我测试训练的模型。我在上一篇博客中(caffe学习(五):cifar-10数据集训练及测试(Ubuntu) ),最后测试训练好的模型时是修改caffe自带的classify.py来进行测试的,如果每次都修改未免太麻烦了,所以我就上网找了相关的资料。参考博客:Caffe学习系列(20):用训练好的caffemodel来进行分类下载模型1、先去下载一个训练好的caffemodel,bvlc_reference_caffenet.caffemodel。  下载地址:http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel  大小约230M,几分钟就下好了。  这个模型是caffe的作者贾扬清及其团队训练好的,我们默认将这个文件放到  $CAFFE_ROOT/models/bvlc_reference_caffenet/下。也可使用脚本下载,速度较慢: cd $CAFFE_ROOT./scripts/download_model_binary.py models/bvlc_reference_caffenet 2、生成均值文件。  输入指令: cd $CAFFE_ROOTsh ./data/ilsvrc12/get_ilsvrc_aux.sh 在测试时,程序会将数据减去均值,随后再调用训练好的模型。我们直接将这个文件下载下来。 
•  调用脚本下载时,一并将synset_words.txt下载好了。这个文件放的是1000个类的名称。编写python代码我此前安装过anaconda2,使用其自带的jupyter notebook编写代码。可以看到每一步的运行结果,也可以看到报错等,调试代码十分方便。 

 下面按照每段代码的顺序列出来: 
 1、引入依赖库。 #coding=utf-8import numpy as npimport sys,os 2、引入caffe的路径,caffe_root修改为自己的caffe的根目录。 caffe_root = '/home/xhb/caffe/'sys.path.insert(0, caffe_root + 'python') 3、引入caffe,将路劲切换到caffe根目录。 import caffeos.chdir(caffe_root) 4、几个用到的文件,caffe_model就是我们之前下载的模型,mean_file是均值文件,net_file是网络配置文件。 net_file = caffe_root + 'models/bvlc_reference_caffenet/deploy.prototxt'caffe_model = caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'mean_file = caffe_root + 'python/caffe/imagenet/ilsvrc_2012_mean.npy' 5、caffe模型配置,读入模型和网络配置以及均值文件。 net = caffe.Net(net_file, caffe_model, caffe.TEST)transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})transformer.set_transpose('data', (2, 0, 1))transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))transformer.set_raw_scale('data', 255)transformer.set_channel_swap('data', (2, 1, 0)) 6、读取图片,这里读取的是我自己下载的图片,路径由自己更改。 img1 = caffe.io.load_image(caffe_root + 'examples/images/cat2.jpg') 7、预处理。 net.blobs['data'].data[...] = transformer.preprocess('data', img1) 8、前向传播一次,最后一层网络会输出结果。 out = net.forward() 9、读取存放了标签的文件synset_words.txt。 imagenet_labels_filename = caffe_root + 'data/ilsvrc12/synset_words.txt'labels = np.loadtxt(imagenet_labels_filename, str, delimiter='/t') 10、将最后一层的结果按照概率大小排序。 op_k = net.blobs['prob'].data[0].flatten().argsort()[-1:-6:-1] 11、打印预测结果,预测概率从大到小。 for i in np.arange(top_k.size): print top_k[i], labels[top_k[i]] 到命令行下再测试几个看看: 
 狗 

 结果:(很详细啊)
•  208 n02099712 Labrador retriever222 n02104029 kuvasz257 n02111500 Great Pyrenees179 n02093256 Staffordshire bullterrier, Staffordshire bull terrier180 n02093428 American Staffordshire terrier, Staffordshire terrier, American pit bull terrier, pit bull terrier 
飞机: 

 结果:
•  404 n02690373 airliner908 n04592741 wing895 n04552348 warplane, military plane812 n04266014 space shuttle744 n04008634 projectile, missile 
笔 

 结果:
•  563 n03388183 fountain pen418 n02783161 ballpoint, ballpoint pen, ballpen, Biro623 n03658185 letter opener, paper knife, paperknife784 n04154565 screwdriver473 n02951585 can opener, tin opener 
这套python代码可以当做一个模板来使用了,只需要稍微修改一点图片名等信息即可,方便了不少。
• 以上是caffe学习（六）：使用python调用训练好的模型来分类（Ubuntu）的内容