caffe的python接口学习（6）：用训练好的模型（caffemodel）来分类新的图片

经过前面两篇博文的学习，我们已经训练好了一个caffemodel模型，并生成了一个deploy.PRototxt文件，现在我们就利用这两个文件来对一个新的图片进行分类预测。

我们从mnist数据集的test集中随便找一张图片，用来进行实验。

#coding=utf-8import caffeimport numpy as nproot='/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 caffemodelimg=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BGRim=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 proborder=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。