經過前面兩篇博文的學習，我們已經訓練好了一個caffemodel模型，並生成了一個deploy.prototxt文件，現在我們就利用這兩個文件來對一個新的圖片進行分類預測。
我們從mnist數據集的test集中隨便找一張圖片，用來進行實驗。
#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' #訓練好的 caffemodel img=root+'mnist/test/5/00008.png' #隨機找的一張待測圖片 labels_filename = root + 'mnist/test/labels.txt' #類別名稱文件，將數字標簽轉換回類別名稱 net = caffe.Net(deploy,caffe_model,caffe.TEST) #加載model和network #圖片預處理設置 transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) #設定圖片的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)變為(3,28,28) #transformer.set_mean('data', np.load(mean_file).mean(1).mean(1)) #減去均值，前面訓練模型時沒有減均值，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變為BGR im=caffe.io.load_image(img) #加載圖片 net.blobs['data'].data[...] = transformer.preprocess('data',im) #執行上面設置的圖片預處理操作，並將圖片載入到blob中 #執行測試 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）屬於某個類別的概率值，並打印 print prob order=prob.argsort()[-1] #將概率值排序，取出最大值所在的序號 print 'the class is:',labels[order] #將該序號轉換成對應的類別名稱，並打印
最后輸出 the class is : 5
分類正確。
如果是預測多張圖片，可把上面這個文件寫成一個函數，然后進行循環預測就可以了。