caffe的python接口示例

用到的python的包：

图像处理：opencv（需要自己编译） 或者 scipy（scipy中的image子类）

矩阵相关：numpy

获取已经训练好的模型的结果和中间特征：

import caffe #导入caffe的python接口


caffe.set_mode_gpu()  #设置成gpu模式或者设置成cpu模式 caffe.set_mode_cpu()


net = caffe.Classifier(
model_file='deploy prototxt文件路径',
pretrained_file='生成的二进制caffemodel模型的路径',
mean=np.load('均值文件的路径'),
raw_scale=255 #若使用的原始图像值在0-255，则保留该参数
) #至此，初始化caffe的分类器模型，保存到变量


nettransformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) # caffe.io.Transformer 是用于预处理的类。事先填写进行预处理的要求。
transformer.set_transpose('data', (2,0,1)) #将 高x宽x通道，转化为，通道x高x宽的格式


img=caffe.io.load_image('图片路径') #读取图像
newImg=transformer.preprocess('data',img ) #设置data层的数据，这里以单张图像为例。将读取的图像传入，获得按之前设置的预处理方式处理好的新图像（通道x高x宽）。


net.blobs['data'].reshape(图像数,原来训练时定义的通道数,训练时图像的高,训练时图像的宽) #
net.blobs['data'].data[...] = newImg #让网络模型的数据层获取预处理好的图像，要传入多张图像，参考numpy的教程，将图像堆叠成多维矩阵（图像数x通道x高x宽）。

out = net.forward() #让数据通过整个训练好的模型，前向传播


filters = net.params['层的名称，如文件中定义好的conv1'][0].data #获取指定层的filters
feat = net.blobs['conv1'].data #获取conv1层的特征图谱
prediction=out['loss'].argmax() #直接得到模型输出的最终结果