caffe mean_file变成mean_value

#!/usr/bin/env python
import numpy as np
import sys,caffe

if len(sys.argv)!=3:
    print "Usage: python convert_mean.py mean.binaryproto mean.npy"
    sys.exit()

blob = caffe.proto.caffe_pb2.BlobProto()
bin_mean = open( sys.argv[1] , 'rb' ).read()
blob.ParseFromString(bin_mean)
arr = np.array( caffe.io.blobproto_to_array(blob) )
npy_mean = arr[0]
np.save( sys.argv[2] , npy_mean )

binaryproto文件本身是一个和图像大小一样的矩阵，每个位置是图像集在该点的均值，在train和test的时候，是将binaryproto文件转换成一个矩阵，并用图像减去该矩阵。

但是用C 方法的classification.bin或者Python方法的时候，是先对binaryproto文件的矩阵计算均值，一个三通道矩阵，最后就三个均值，然后用每个通道的均值，减去图像上的每个像素点。
 

所以以下方法是在网络结构文件里，把均值的binaryproto文件，换成三个通道均值

test正确率很高，classification.bin分类出错

我用caffe训练了一个自己的图像集，训练和测试的正确率都很高。
但在使用classification对单张图片测试时，发现分类结果是错误的。
为了验证，我特地在test里输出softmax的结果验证，发现这里的结果，是正确的类别概率最高。
但在使用classification时，就不对了。
我看了一些网上的帖子，说是classification的代码读图函数设置的问题，但我设置了好几次不同的，再用classification分类，结果还是错误的，而且不同的设置产生的结果是一样的。