GitHub 程式碼地址： https://github.com/HansRen1024/Use-Python-to-call-Caffe-module
前言#
mnist 訓練集是單通道的，所以有兩個版本。有一些細節不同，但功能相同。思路是將圖片丟進網路進行一次前向傳播，通過最後 softmax 層得到對應每一類別的概率，取最大概率類。
caffe/python/classify.py 是調用 caffe 模塊中 Classifier 類，其實這個類內容和上面方法思路是一樣的。兩種方法殊途同歸。
一、適用於 mnist 程式碼：#
還是要著重強調一件事：deploy.prototxt 檔案，強烈建議直接從 train.prototxt 改，最後一層名字是 “prob”，輸入維度是：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 結構（n, k, h, w)
transformer.set_transpose('data', (2, 0, 1)) #改變圖片維度順序，(h, w, k) -> (k, h, w)
transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))
transformer.set_raw_scale('data', 255) #將像素範圍改成縮放到[0,1]
# transformer.set_channel_swap('data', (2, 1, 0)) # mnist單通道不需要轉換
im = caffe.io.load_image(img) #加載圖片
im = caffe.io.resize_image(im,(28,28,1)) # 修改圖片尺寸維度
caffe_in = transformer.preprocess('data', im) #將處理好的數據放入caffe_in
out = net.forward(**{'data': caffe_in}) #將數據放入網路中進行一次前向傳播
prob = out['prob'].reshape(10,) # 可以看出網路中blob都是以字典形式存儲數據的。
# net.blobs['data'].data[...] = transformer.preprocess('data', im)#與上面功能相同
# net.forward()
# prob = net.blobs['prob'].data[0].flatten()
print prob
# print 'the class is:', labels[prob.argmax()], 'accuracy: ', prob[prob.argmax()] #跟下面兩句話功能相同
order = prob.argsort()[-1]
print 'the class is:', labels[order], 'accuracy: ', prob[order]
二、使用於三通道圖片程式碼：#
#!/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 結構（n, k, w, h)
transformer.set_transpose('data', (2, 0, 1)) #改變圖片維度順序，(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)
# 將處理好的數據放入網路中名為'data'的bolb內，就是放入net預分配的內存中。
net.blobs['data'].data[...] = transformer.preprocess('data', im)
out = net.forward() # 網路結構，模型和數據都已經準備好，無需加參數
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()] #跟下面兩句話功能相同
order = prob.argsort()[-1]
print 'the class is:', labels[order], 'accuracy: ', prob[order]