pycaffe预测非图片数据分类

1、 准备工作

一. deploy.prototxt文件

修改于train.prototxt，主要为3部分:

（1） data层 修改为input层

layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param { shape: { dim: 1 dim: 7 dim: 1 dim: 1 } }

（2）删掉layer 中关于weight和bias设置部分，因为caffemodel会提供value

（3）将最后的输出层softmax改成prob

layer {
  name: "prob"
  type: "Softmax"
  bottom: "fc3"
  top: "prob"
}

二、 caffemodel 训练保存模型

三 、保存在numpy数组中的数据，npy

2、模型

caffe/python/classify.py中caffe.Classifier与classifier.predict主要用于图像识别，通过阅读python/caffe/classifier.py可知其中有一系列对图片的crop，centor等处理，不适宜直接使用处理非图片数据。
故直接使用caffe.Net 与net.foward_all 直接预测数据的标签

model_weights = 'model_iter_1000000.caffemodel'
model_file = 'deploy.prototxt'
net = caffe.Net(model_file, model_weights, caffe.TEST)
test_data = np.load('mean_data.npy')
out = net.forward_all(data=test_data)
print out[net.outputs[0]]

3、关闭caffe log输出

GLOG_minloglevel = 2 ，非永久关闭glog输出，int，默认为0（INFO）， 小于这个日志级别的将不会打印

GLOG_minloglevel=2 python cc_predict/t.py

4、运行时间

pycaffe 编译时包含gpu时运行时间为3s
如果去掉gpu，即makefile中cpu only 运行时间0.01s
减少的时间应该是数据用于同步的时间