使用已训练好的caffe模型的步骤

如何使用生成的模型，可能是在训练好模型之后，需要考虑的问题。实际上，caffe是存在两种接口来进行调用模型：1种是基于python的，另一种则是基于c++的。我个人是倾向于使用python接口，因为：

谚语：人生苦短，我用python

最近刚好做了一个项目，同时开发了两种接口，所以也刚好来进行两者的比对。

0 前言

做任何事情之前，最好功利的问一问，做这件事情的目的是什么？如果你是一个如饥似渴的程序员，那更要如此。别盲目学习和做事情。

庄子云，吾生也有涯，而知也无涯，以有涯随无涯，殆己！

那么，为什么要实现接口调用caffe的模型呢？这是因为，模型已经训练好之后，需要使用模型来处理数据。对了，处理数据就是目的。那么，应该如何处理数据呢？

（1）是要对数据进行处理，使之与网络训练时输入的数据一样。因为，网络的接口对输入的数据是有一定的要求的。
（2）将数据调整好格式之后，需要确定是调用网络的那一部分来进行前向提取特征。所以需要devploy.proto文件来调用网络。
（3）则是要确定到底使用哪一层的特征。因为，有些网络是用来分类的，所以要提取最后分类的结果，而有些网络是用于提取特征的，因此则需要提取中间某一层的特征。
下面就以caffe官网的教程来进行分析应该如何使用训练好的caffe模型

1 python接口

（1）使用训练好的模型和前向文件devploy.proto来生成网络

#设置为cpu模式
caffe.set_mode_cpu()
#deploy.prototxt路径
model_def = caffe_root + 'models/bvlc_reference_caffenet/deploy.prototxt'
#训练好的caffemodel的路径
model_weights = caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'
#生成网络
net = caffe.Net(model_def,      # defines the structure of the model
                model_weights,  # contains the trained weights
                caffe.TEST)     # use test mode (e.g., don't perform dropout)

（2）设置数据的初始化方式

# 加载ImageNet
mu = np.load(caffe_root + 'python/caffe/imagenet/ilsvrc_2012_mean.npy')
mu = mu.mean(1).mean(1)  # average over pixels to obtain the mean (BGR) pixel values
print 'mean-subtracted values:', zip('BGR', mu)

# create transformer for the input called 'data'
#创建transformer对象，用于将图像转换为适合于网络的方式，需要注意的是，如下的代码对象的成员初始化，而不是参数实际生效的顺序。
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
# python读取的图片文件格式为H×W×K，需转化为K×H×W
transformer.set_transpose('data', (2,0,1))  
#设置均值
transformer.set_mean('data', mu)
# rescale from [0, 1] to [0, 255]            
transformer.set_raw_scale('data', 255)
# swap channels from RGB to BGR     
transformer.set_channel_swap('data', (2,1,0))  

（3）将网络前向并获取指定层的特征

# transform it and copy it into the net
image = caffe.io.load_image('image.jpg')

# copy the image data into the memory allocated for the net
net.blobs['data'].data[...] = transformer.preprocess('data', image)


### perform classification
output = net.forward()

output_prob = output['prob'][0]  # the output probability vector for the first image in the batch

print 'predicted class is:', output_prob.argmax()

2 C++接口