caffe之利用mnist数据集训练好的lenet_iter_10000.caffemodel模型测试一张自己的手写体数字

原文：http://blog.csdn.net/xunan003/article/details/73126425

其他参考文章：http://blog.csdn.net/jiongnima/article/details/52681816?locationNum=11&fps=1http://

一、前沿

        写这篇博文，是因为一开始在做《21天学习caffe》第6天6.4练习题1的时候看着自己搜索的博文，在不理解其根本的情况下做的，结果显然是错的。在接下来阅读完源代码之后，在第10天学习完caffe model zoo之后，明白了其中原理，反过来再去做那个习题，一开始在网上搜索并没有完完整整解释整个过程的一篇博文，而是写的不知所云，本着我们初学者互相共享的精神，也方便自己查阅，特详细写一下，将自己的一张手写体图片送入训练好的caffemodels中测试这个过程，博主也是在仿照参考书目的命令来逐项百度每个文件的制作方法，最终成功。结果还是比较美好的。接下来，就让我们一起来看看ubuntu下手写体数字的测试情况。 

二、具体步骤    

1、首先我们要知道要利用模型lenet_iter_10000.caffemodel测试单张手写体数字所需要的文件：
      1>待测试图片（自己画的也行，网络上下的也行，楼主是在自己windows系统下用画图工具画的并命名为3.jpg，当然你如果愿意也可以弄成.dmp，.png等其他格式）；

                    

这是博主自己画的图片

         需要注意的是，不管是什么格式，都要转换为28*28大小的黑白灰度图像，具体转化方法请自行百度（我是就拿windows自带的画图工具转化的）。因为

         mnist数据集都是28*28的单通道黑白灰度图像。

     2>deploy.prototxt（模型描述型文件）；具体生成方法下面我们解释。

     3>network.caffemodel（模型权值文件）；在本例中就是lenet_iter_10000.caffemodel

     4>labels.txt（标签文件）；生成方法一会儿描述

     5>mean.binaryproto（二进制图像均值文件）；生成方法下面描述（类似的还有python下的均值文件mean.pny我们这里不做考虑，想去尝试的可以自己尝试）

     6>classification.bin（二进制程序名）。与二进制均值文件配合使用，只是均值文件不同的模型有不同的均值文件，而这个bin文件为通用的，就是任何模型都

         可以做分类使用。但是如果采用python借口模式的测试就要自己再做一个classification分类文件，具体方法下面解释的时候给链接。

2、步骤1：生成待测试图片

     具体要求在1中已有说明，这里不做过多阐述。如还有人不懂如何做图请自行百度。

3、步骤2：生成deploy.prototxt文件

     要了解deploy.prototxt文件的作用请自行百度或google，这里我们需要知道的是，他和lenet_train_test.prototxt文件类似，或者说对后者改动可得到前者。在熟悉生成文件的原理及方法之后我们可以之间在原训练prototxt网络文件中改动。在examples/mnist目录下复制一份lenet_train_test.prototxt修改并保存后得到deploy.prototxt如下：

[html] view plain copy

1. name: "LeNet"    
2.   
3.      
4. layer {    
5.   name:"data"    
6.  type: "Input"    
7.  top: "data"    
8.  input_param { shape: { dim: 1 dim: 1 dim: 28 dim: 28 } }    
9. }    
10.      
11.     
12. layer {    
13.   name:"conv1"    
14.  type: "Convolution"    
15.  bottom: "data"    
16.  top: "conv1"    
17.  convolution_param {    
18.    num_output: 20    
19.    kernel_size: 5    
20.    stride: 1    
21.    weight_filler {    
22.      type: "xavier"    
23.    }    
24.  }    
25. }    
26. layer {    
27.   name:"pool1"    
28.  type: "Pooling"    
29.  bottom: "conv1"    
30.  top: "pool1"    
31.  pooling_param {    
32.    pool: MAX    
33.    kernel_size: 2    
34.    stride: 2    
35.   }    
36. }    
37. layer {    
38.   name:"conv2"    
39.  type: "Convolution"    
40.  bottom: "pool1"    
41.  top: "conv2"    
42.  convolution_param {    
43.    num_output: 50    
44.    kernel_size: 5    
45.    stride: 1    
46.    weight_filler {    
47.      type: "xavier"    
48.    }    
49.  }    
50. }    
51. layer {    
52.   name:"pool2"    
53.  type: "Pooling"    
54.  bottom: "conv2"    
55.  top: "pool2"    
56.  pooling_param {    
57.    pool: MAX    
58.    kernel_size: 2    
59.    stride: 2    
60.   }    
61. }    
62. layer {    
63.   name:"ip1"    
64.  type: "InnerProduct"    
65.  bottom: "pool2"    
66.  top: "ip1"    
67.  inner_product_param {    
68.    num_output: 500    
69.    weight_filler {    
70.      type: "xavier"    
71.    }    
72.  }    
73. }    
74. layer {    
75.   name:"relu1"    
76.  type: "ReLU"    
77.  bottom: "ip1"    
78.  top: "ip1"    
79. }    
80. layer {    
81.   name:"ip2"    
82.  type: "InnerProduct"    
83.  bottom: "ip1"    
84.  top: "ip2"    
85.  inner_product_param {    
86.    num_output: 10    
87.    weight_filler {    
88.      type: "xavier"    
89.    }    
90.  }    
91. }    
92.      
93.    
94. layer {    
95.   name:"prob"    
96.  type: "Softmax"    
97.  bottom: "ip2"    
98.  top: "prob"    
99. }    

     pass：具体利用python生成deploy.prototxt文件请参看博文：点击博文地址

4、步骤3：生成labels.txt标签文件

     在当前目录下新建一个txt文件，命名为synset_words.txt，里面内容为我们训练mnist的图片内容，共有0~9十个数，那么我们就建立如下内容的标签文件：

5、步骤4:生成mean.binaryproto二进制均值文件

     均值文件分为二进制均值文件和python类均值文件。因为博主还未配置python接口，故未采用python方法，这也是之前一直出错的原因。

     生成均值文件的两种方法请参看博文：点击博文链接

     caffe作者为我们提供了一个计算均值的文件compute_image_mean.cpp，放在caffe根目录下的tools文件夹里面，运行下面命令生成mean.binaryproto二进制均值文件。

[html] view plain copy

1. sudo build/tools/compute_image_mean examples/mnist/mnist_train_lmdb examples/mnist/mean.binaryproto  

     生成的mean.binaryproto均值文件保存在了examples/mnist目录下。

6、步骤5：分类器classification.bin（windows下caffe为classification.exe）

       在example文件夹中有一个cpp_classification的文件夹，打开它，有一个名为classification的cpp文件，这就是caffe提供给我们的调用分类网络进行前向计算，得到分类结果的接口。就是这个文件在命令中会得到classification.bin，具体我们可以不用管它，在其他caffemodel下不用修改也可以用，不像均值文件，不同的模型需要不同的均值文件。

       需要详细了解classification请参看博文（或其他资料）：点击博文链接

       如果是按照python接口方法做此测试，均值文件及分类classification以及测试过程请参看博文：点击博文链接

7、步骤6：准备测试

      万事具备，只欠东风。下面我们就在caffe根目录下命令：

[html] view plain copy

1. ./build/examples/cpp_classification/classification.bin examples/mnist/deploy.prototxt examples/mnist/lenet_iter_10000.caffemodel examples/mnist/mean.binaryproto examples/mnist/synset_words.txt examples/images/3.jpg   

      读者也可以根据你们自己建立的文件的具体位置更改路径，这个相信我不用多说。
      下面看看我们的测试结果吧！

     

三、参考博文

           参考博文链接：http://blog.csdn.net/jiongnima/article/details/52681816?locationNum=11&fps=1