关于caffe做分类的classification.cpp

相关文件：

classification.cpp ：原始的图像分类文件，默认位于位于caffe_root/examples/cpp_classification/classification.cpp。

extract_feature.cpp：自己改写过的文件，可以同时输出预测结果和根据层的名字提取特征。

extract_feature2.cpp: 自己改写过的文件，可以一个batch输入多张图像同时做forward操作。

classification.cpp中相关变量和函数说明：

Classifier:  构造函数，参数分别为模型文件，权重文件，均值文件和label文件。

Classify:    分类函数输入一张图像和topN的数值返回预测结果(概率值和类别id的Prediction类型数组)

SetMean:  根据读入的均值文件设置均值

Predict:     根据读入的img返回网络最后一层的结果，在Classify中被调用

        WrapInputLayer:  对输入层数据进行包装，方便后续操作

        Preprocess:   将读入的图像通过之前定义的wraper写入到输入层

        net_： 网络的变量

        input_geometry_ :输入大小的变量

        num_channels_:通道数变量

        labels_:标签变量

基本使用

classification.cpp的可执行文件位于caffe_root/build/examples/cpp_classiciation/classification.bin

命令行参数包括：  deploy.prototxt network.caffemodel  mean.binaryproto labels.txt img.jpg    

可以实现对单张图像进行分类的功能

修改Softmax解决分类预测概率非0即1的问题

参见之前写的一个内容：CNN+类别原型学习总结 中的1解决方法

新加入的函数和功能（根据层的名字提特征以及一个batch输入多张图像）

   extraction_feature.cpp

Normalize   对输入的vector做L2-norm归一化的函数

FeatureByLayerName  根据层的名字提取特定层特征并返回结果

FeatureAndPredict   根据层的名字提取特征存到输入的引用变量feature，并返回输出层结果

main  主函数，读入相关配置，按照原型和svm训练的要求把数据写入二进制文件

   extraction_feature2.cpp

        在extraction_feature.cpp的基础上加入了在1个batch中输入多幅图像进行前向的功能

时间优化

        由于根据测试，读入配置初始化Classifier的时间大约在1s左右，所以如果应用需要大量调用此接口，可以一次性读入配置，然后循环进行分类。

        即在classification.cpp第257行之后加入循环进行图片读取和分类工作

        extract_feature2.cpp的改写本来是为了一个batch中输入多幅图像然后实现加速的目的，但是实际测试发现，

        多幅图像输入一个batch和多个batch每次输入一副图像的时间是一样的。