caffe将用训练好的caffemodel和train_val.prototxt文件分类新的一张图片-下篇--caffe学习（7）

接上篇caffe将用训练好的caffemodel和train_val.prototxt文件分类新的一张图片-上篇
得到deploy.prototxt文件之后，我们可以自己编写python代码实现对单个图片的分类预测，先贴代码再分析：

#coding=utf-8

import caffe
import numpy as np
root=root='/home/dltest/caffe/'   #根目录
deploy=root + 'examples/cifar10/cifar10_quick.prototxt'    #deploy文件
caffe_model=root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel.h5'  #训练好的 caffemodel
mean_file= #自己的python格式的meanfile路径
img=root+'examples/sgg_datas/images/1.jpg'   #随机找的一张待测图片
labels_filename = root +'data/cifar10/batches.meta.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
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['prob'].data[0].flatten() #取出最后一层（prob）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 
#argsort()函数是从小到大排列
print 'the class is:',labels[order]   #将该序号转换成对应的类别名称，并打印

对于图片的预处理，可参考caffe官网的例子，
关键代码如下：

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
# load input and configure preprocessing
im = caffe.io.load_image('images/cat.jpg')
transformer = caffe.io.Transformer({'data': net_full_conv.blobs['data'].data.shape})
transformer.set_mean('data', np.load('../python/caffe/imagenet/ilsvrc_2012_mean.npy').mean(1).mean(1))
transformer.set_transpose('data', (2,0,1))
transformer.set_channel_swap('data', (2,1,0))
transformer.set_raw_scale('data', 255.0)
# make classification map by forward and print prediction indices at each location
out = net_full_conv.forward_all(data=np.asarray([transformer.preprocess('data', im)]))
print out['prob'][0].argmax(axis=0)
# show net input and confidence map (probability of the top prediction at each location)
plt.subplot(1, 2, 1)
plt.imshow(transformer.deprocess('data', net_full_conv.blobs['data'].data[0]))
plt.subplot(1, 2, 2)
plt.imshow(out['prob'][0,281])