CNN 学习系列之 perdict 以及可视化-CSDN博客

本文链接：https://blog.csdn.net/TonyYang1995/article/details/51818619

在完成training 之后，我们要看下train 的model 的效果如何。所以我们可以把perdict 的结果画出来，这些效果会比较容易看。

但是由于caffe原来的c++ 接口都是通过命令行来看的，它的结果不是很直观，所以我们有下列几种方法来改进：
1. 可以修改train_val.prototxt 文件中的layer。通过添加一个accuracy layer：

layer {
  name: "loss3/top-1"
  type: "Accuracy"
  bottom: "fc8_classifier"
  bottom: "label"
  top: "loss3/top-1"
  include {
    phase: TRAIN
  }
}

这样我们可以通过在命令行print accuracy 的方法来看我们每次迭代之后的模型在训练集上的正确率。
之后我们可以用同样的方法来对测试集进行操作，这样就可以得到我们的模型在测试集上面的正确率了。
这种方法虽然比较简单，但是如果我们想要保存我们的预测结果的话，就没办法做到了。
2. 所以我们可以使用caffe 的python接口，写一个脚本来解决这个问题。直接上代码会比较直观：

#!/usr/bin/python
import numpy as np
import matplotlib.pyplot as plt
caffe_root = '/Users/apple/Desktop/caffe'
import sys
sys.path.insert(0, caffe_root + 'python')
import caffe
# caffe 的python接口默认是在caffe的python文件夹下的，所以这里要先进入到它的python文件夹中。
from scipy.ndimage import imread
caffe.set_mode_gpu()

#这里是deploy.prototxt 文件的路径
model_def = '/path/to/deploy.prototxt'
#这里是训练好的caffemodel 的文件路径
model_weights = '/path/to/*.caffemodel'
net = caffe.Net(model_def,
                model_weights,
                caffe.TEST)

mu = np.load('/Users/apple/Desktop/my_mean.npy')
mu = mu.mean(1).mean(1)

transformer = caffe.io.Transformer({'data':net.blobs['data'].data.shape})
transformer.set_transpose('data',(2,0,1))
transformer.set_mean('data', mu)
transformer.set_raw_scale('data', 255)
transformer.set_channel_swap('data', (2,1,0))

file = open('/path/to/input_of_your_testdata', 'r')
file1 = open('/path/to/output/', 'w')
all_lines = file.readlines()
image_file = []
Id = 0
for line in all_lines:
    d = line.split('\n')
    image_file = "/Users/apple/Desktop/hw3/testImages/"+d[0]
    image = caffe.io.load_image(image_file)
    transformed_image = transformer.preprocess('data', image)

#以上是获得测试集图片的路径名并读入数据

    net.blobs['data'].data[...] = transformed_image
    output = net.forward()
    output_prob = output['prob'][0]
#   print 'predicted class is:', output_prob.argmax()
    Ss = d[0] + "," + str(output_prob.argmax()) + "\n"
    print Ss
    file1.write(Ss)
# 以上是对数据进行预测并且输出