GitHub 代码地址： https://github.com/HansRen1024/Use-Python-to-call-Caffe-module
mnist 训练集是单通道的，所以有两个版本。有一些细节不同，但功能相同。思路是将图片丢进网络进行一次前向传播，通过最后 softmax 层得到对应每一类别的概率，取最大概率类。
caffe/python/classify.py 是调用 caffe 模块中 Classifier 类，其实这个类内容和上面方法思路是一样的。两种方法殊途同归。
还是要着重强调一件事：deploy.prototxt 文件，强烈建议直接从 train.prototxt 改，最后一层名字是 “prob”，输入维度是：1, 1,
28, 28
#!/usr/bin/env python2
# -*- coding: utf-8 -*-
"""
Created on Sun Jul 30 20:41:03 2017
author: hans
"""
import caffe
import numpy as np
deploy='doc/deploy_lenet.prototxt' # 需要修改inout_dim: 1, 1, 28, 28
caffe_model='models/lenet_iter_10000.caffemodel'
img='doc/7.jpg'
labels_filename='doc/words.txt'
labels = np.loadtxt(labels_filename, str, delimiter='\t')
mean_file='doc/mnist_mean.npy'
net = caffe.Net(deploy, caffe_model, caffe.TEST)
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) #data blob 结构（n, k, h, w)
transformer.set_transpose('data', (2, 0, 1)) #改变图片维度顺序，(h, w, k) -> (k, h, w)
transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))
transformer.set_raw_scale('data', 255) #将像素范围改成缩放到[0,1]
# transformer.set_channel_swap('data', (2, 1, 0)) # mnist单通道不需要转换
im = caffe.io.load_image(img) #加载图片
im = caffe.io.resize_image(im,(28,28,1)) # 修改图片尺寸维度
caffe_in = transformer.preprocess('data', im) #将处理好的数据放入caffe_in
out = net.forward(**{'data': caffe_in}) #将数据放入网络中进行一次前向传播
prob = out['prob'].reshape(10,) # 可以看出网络中blob都是以字典形式存储数据的。
# net.blobs['data'].data[...] = transformer.preprocess('data', im)#与上面功能相同
# net.forward()
# prob = net.blobs['prob'].data[0].flatten()
print prob
# print 'the class is:', labels[prob.argmax()], 'accuracy: ', prob[prob.argmax()] #跟下面两句话功能相同
order = prob.argsort()[-1]
print 'the class is:', labels[order], 'accuracy: ', prob[order]
#!/usr/bin/env python2
# -*- coding: utf-8 -*-
"""
Created on Sun Jul 30 20:41:03 2017
author: hans
"""
import caffe
import numpy as np
deploy='.prototxt'
caffe_model='.caffemodel'
img='.jpg'
labels_filename='.txt'
mean_file='.npy'
net = caffe.Net(deploy, caffe_model, caffe.TEST)
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) #data blob 结构（n, k, w, h)
transformer.set_transpose('data', (2, 0, 1)) #改变图片维度顺序，(w, h, k) -> (k, w, h)
transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))
transformer.set_raw_scale('data', 255)
transformer.set_channel_swap('data', (2, 1, 0)) # RGB -> BGR
im = caffe.io.load_image(img)
# 将处理好的数据放入网络中名为'data'的bolb内，就是放入net预分配的内存中。
net.blobs['data'].data[...] = transformer.preprocess('data', im)
out = net.forward() # 网络结构，模型和数据都已经准备好，无需加参数
labels = np.loadtxt(labels_filename, str, delimiter='\t')
prob = net.blobs['prob'].data[0].flatten()
print prob
# print 'the class is:', labels[prob.argmax()], 'accuracy: ', prob[prob.argmax()] #跟下面两句话功能相同
order = prob.argsort()[-1]
print 'the class is:', labels[order], 'accuracy: ', prob[order]