本文主要是給大家介紹了caffe的python插口生成deploy文件學(xué)習(xí)培訓(xùn)及其用練習(xí)好一點(diǎn)的實(shí)體模型（caffemodel）來(lái)歸類新的圖片實(shí)例詳細(xì)說(shuō)明，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發(fā)展，盡早漲薪

　　caffe的python插口生成deploy文件

　　假如要將練習(xí)好一點(diǎn)的實(shí)體模型用于檢測(cè)新的圖片，那必然必須得一個(gè)deploy.prototxt文件，這一文檔事實(shí)上和test.prototxt文件基本上，僅僅首尾各不相同而也。deploy文件并沒有一層數(shù)據(jù)傳送層，都沒有最后Accuracy層，但之后多出一個(gè)Softmax幾率層。

　　接下來(lái)我們選用編碼的方式去一鍵生成該文檔，以mnist為例子。

　　deploy.py

　　#-*-coding:utf-8-*-
　　from caffe import layers as L,params as P,to_proto
　　root='/home/xxx/'
　　deploy=root+'mnist/deploy.prototxt'#文件保存路徑
　　def create_deploy():
　　#少了第一層，data層
　　conv1=L.Convolution(bottom='data',kernel_size=5,stride=1,num_output=20,pad=0,weight_filler=dict(type='xavier'))
　　pool1=L.Pooling(conv1,pool=P.Pooling.MAX,kernel_size=2,stride=2)
　　conv2=L.Convolution(pool1,kernel_size=5,stride=1,num_output=50,pad=0,weight_filler=dict(type='xavier'))
　　pool2=L.Pooling(conv2,pool=P.Pooling.MAX,kernel_size=2,stride=2)
　　fc3=L.InnerProduct(pool2,num_output=500,weight_filler=dict(type='xavier'))
　　relu3=L.ReLU(fc3,in_place=True)
　　fc4=L.InnerProduct(relu3,num_output=10,weight_filler=dict(type='xavier'))
　　#最后沒有accuracy層，但有一個(gè)Softmax層
　　prob=L.Softmax(fc4)
　　return to_proto(prob)
　　def write_deploy():
　　with open(deploy,'w')as f:
　　f.write('name:"Lenet"n')
　　f.write('input:"data"n')
　　f.write('input_dim:1n')
　　f.write('input_dim:3n')
　　f.write('input_dim:28n')
　　f.write('input_dim:28n')
　　f.write(str(create_deploy()))
　　if __name__=='__main__':
　　write_deploy()

　　運(yùn)作該文檔后，會(huì)在mnist目錄下，形成一個(gè)deploy.prototxt文件。

　　這一文檔不建議用編碼來(lái)形成，反倒是繁瑣。大伙兒了解之后能將test.prototxt拷貝1份，改動(dòng)相對(duì)應(yīng)的地方就行了，方便快捷。

　　練習(xí)好一點(diǎn)的實(shí)體模型caffemodel歸類新圖片

　　通過(guò)前邊的學(xué)習(xí)培訓(xùn)，己經(jīng)練習(xí)好啦一個(gè)caffemodel實(shí)體模型，并形成了一個(gè)deploy.prototxt文件，如今我們就通過(guò)這兩文檔來(lái)對(duì)于新的圖片開展分類預(yù)測(cè)。

　　大家從mnist數(shù)據(jù)的test集中化隨意找一張照片，用于開展試驗(yàn)。

　　#coding=utf-8
　　import caffe
　　import numpy as np
　　root='/home/xxx/'#根目錄
　　deploy=root+'mnist/deploy.prototxt'#deploy文件
　　caffe_model=root+'mnist/lenet_iter_9380.caffemodel'#訓(xùn)練好的caffemodel
　　img=root+'mnist/test/5/00008.png'#隨機(jī)找的一張待測(cè)圖片
　　labels_filename=root+'mnist/test/labels.txt'#類別名稱文件，將數(shù)字標(biāo)簽轉(zhuǎn)換回類別名稱
　　net=caffe.Net(deploy,caffe_model,caffe.TEST)#加載model和network
　　#圖片預(yù)處理設(shè)置
　　transformer=caffe.io.Transformer({'data':net.blobs['data'].data.shape})#設(shè)定圖片的shape格式(1,3,28,28)
　　transformer.set_transpose('data',(2,0,1))#改變維度的順序，由原始圖片(28,28,3)變?yōu)?3,28,28)
　　#transformer.set_mean('data',np.load(mean_file).mean(1).mean(1))#減去均值，前面訓(xùn)練模型時(shí)沒有減均值，這兒就不用
　　transformer.set_raw_scale('data',255)#縮放到【0，255】之間
　　transformer.set_channel_swap('data',(2,1,0))#交換通道，將圖片由RGB變?yōu)锽GR
　　im=caffe.io.load_image(img)#加載圖片
　　net.blobs['data'].data[...]=transformer.preprocess('data',im)#執(zhí)行上面設(shè)置的圖片預(yù)處理操作，并將圖片載入到blob中
　　#執(zhí)行測(cè)試
　　out=net.forward()
　　labels=np.loadtxt(labels_filename,str,delimiter='t')#讀取類別名稱文件
　　prob=net.blobs['Softmax1'].data[0].flatten()#取出最后一層（Softmax）屬于某個(gè)類別的概率值，并打印
　　print prob
　　order=prob.argsort()[-1]#將概率值排序，取出最大值所在的序號(hào)
　　print'the class is:',labels[order]#將該序號(hào)轉(zhuǎn)換成對(duì)應(yīng)的類別名稱，并打印
　　最后輸出the class is:5

　　分類正確。

　　如果是預(yù)測(cè)多張圖片，可把上面這個(gè)文件寫成一個(gè)函數(shù)，然后進(jìn)行循環(huán)預(yù)測(cè)就可以了。

　　綜上所述，這篇文章就給大家介紹完畢了，希望可以給大家?guī)?lái)幫助。