《深度学习——实战caffe》——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

1、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）；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，不想转化的我这里提供给大家一组我转化好的图片资源供大家下载链接: https://pan.baidu.com/s/1Ck6l7bAncK2BpcqWXG67Dg 密码：csig
（2）deploy.prototxt（模型描述型文件）；
（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）；
（5）mean.binaryproto（二进制图像均值文件）；
（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。

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

     deploy.prototxt文件的作用和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：

name: "LeNet"  

   
layer {  
  name:"data"  
 type: "Input"  
 top: "data"  
 input_param { shape: { dim: 1 dim: 1 dim: 28 dim: 28 } }  
}  
   
  
layer {  
  name:"conv1"  
 type: "Convolution"  
 bottom: "data"  
 top: "conv1"  
 convolution_param {  
   num_output: 20  
   kernel_size: 5  
   stride: 1  
   weight_filler {  
     type: "xavier"  
   }  
 }  
}  
layer {  
  name:"pool1"  
 type: "Pooling"  
 bottom: "conv1"  
 top: "pool1"  
 pooling_param {  
   pool: MAX  
   kernel_size: 2  
   stride: 2  
  }  
}  
layer {  
  name:"conv2"  
 type: "Convolution"  
 bottom: "pool1"  
 top: "conv2"  
 convolution_param {  
   num_output: 50  
   kernel_size: 5  
   stride: 1  
   weight_filler {  
     type: "xavier"  
   }  
 }  
}  
layer {  
  name:"pool2"  
 type: "Pooling"  
 bottom: "conv2"  
 top: "pool2"  
 pooling_param {  
   pool: MAX  
   kernel_size: 2  
   stride: 2  
  }  
}  
layer {  
  name:"ip1"  
 type: "InnerProduct"  
 bottom: "pool2"  
 top: "ip1"  
 inner_product_param {  
   num_output: 500  
   weight_filler {  
     type: "xavier"  
   }  
 }  
}  
layer {  
  name:"relu1"  
 type: "ReLU"  
 bottom: "ip1"  
 top: "ip1"  
}  
layer {  
  name:"ip2"  
 type: "InnerProduct"  
 bottom: "ip1"  
 top: "ip2"  
 inner_product_param {  
   num_output: 10  
   weight_filler {  
     type: "xavier"  
   }  
 }  
}  
   
 
layer {  
  name:"prob"  
 type: "Softmax"  
 bottom: "ip2"  
 top: "prob"  
}  

     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。

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。

       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：

./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