caffe的python接口deploy形成caffemodel归类新的图片

　　本文主要是给大家介绍了caffe的python插口生成deploy文件学习培训及其用练习好一点的实体模型（caffemodel）来归类新的图片实例详细说明，感兴趣的小伙伴可以参考借鉴一下，希望可以有一定的帮助，祝愿大家多多的发展，尽早涨薪

　　caffe的python插口生成deploy文件

　　假如要将练习好一点的实体模型用于检测新的图片，那必然必须得一个deploy.prototxt文件，这一文档事实上和test.prototxt文件基本上，仅仅首尾各不相同而也。deploy文件并没有一层数据传送层，都没有最后Accuracy层，但之后多出一个Softmax几率层。

　　接下来我们选用编码的方式去一键生成该文档，以mnist为例子。

　　deploy.py

　　#-*-coding:utf-8-*-
　　from caffe import layers as L,params as P,to_proto
　　root='/home/xxx/'
　　deploy=root+'mnist/deploy.prototxt'#文件保存路径
　　def create_deploy():
　　#少了第一层，data层
　　conv1=L.Convolution(bottom='data',kernel_size=5,stride=1,num_output=20,pad=0,weight_filler=dict(type='xavier'))
　　pool1=L.Pooling(conv1,pool=P.Pooling.MAX,kernel_size=2,stride=2)
　　conv2=L.Convolution(pool1,kernel_size=5,stride=1,num_output=50,pad=0,weight_filler=dict(type='xavier'))
　　pool2=L.Pooling(conv2,pool=P.Pooling.MAX,kernel_size=2,stride=2)
　　fc3=L.InnerProduct(pool2,num_output=500,weight_filler=dict(type='xavier'))
　　relu3=L.ReLU(fc3,in_place=True)
　　fc4=L.InnerProduct(relu3,num_output=10,weight_filler=dict(type='xavier'))
　　#最后没有accuracy层，但有一个Softmax层
　　prob=L.Softmax(fc4)
　　return to_proto(prob)
　　def write_deploy():
　　with open(deploy,'w')as f:
　　f.write('name:"Lenet"n')
　　f.write('input:"data"n')
　　f.write('input_dim:1n')
　　f.write('input_dim:3n')
　　f.write('input_dim:28n')
　　f.write('input_dim:28n')
　　f.write(str(create_deploy()))
　　if __name__=='__main__':
　　write_deploy()

　　运作该文档后，会在mnist目录下，形成一个deploy.prototxt文件。

　　这一文档不建议用编码来形成，反倒是繁琐。大伙儿了解之后能将test.prototxt拷贝1份，改动相对应的地方就行了，方便快捷。

　　练习好一点的实体模型caffemodel归类新图片

　　通过前边的学习培训，己经练习好啦一个caffemodel实体模型，并形成了一个deploy.prototxt文件，如今我们就通过这两文档来对于新的图片开展分类预测。

　　大家从mnist数据的test集中化随意找一张照片，用于开展试验。

　　#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。

　　综上所述，这篇文章就给大家介绍完毕了，希望可以给大家带来帮助。