caffe---測試模型分類結果並輸出（python ）

當訓練好一個model之后，我們通常會根據這個model最終的loss和在驗證集上的accuracy來判斷它的好壞。但是，對於分類問題，我們如果只是知道整體的分類正確率

顯然還不夠，所以只有知道模型對於每一類的分類結果以及正確率這樣才能更好的理解這個模型。

 

下面就是一個用訓練好的模型，來對測試集進行測試，並輸出每個樣本的分類結果的實現。

 

代碼如下：

#coding=utf-8  
      
import os
import caffe  
import numpy as np  
root='/home/liuyun/caffe/'   #根目錄  
deploy=root + 'examples/DR_grade/deploy.prototxt'    #deploy文件  
caffe_model=root + 'models/DR/model1/DRnet_iter_40000.caffemodel'  #訓練好的 caffemodel  


import os
dir = root+'examples/DR_grade/test_512/'
filelist=[]
filenames = os.listdir(dir)
for fn in filenames:
   fullfilename = os.path.join(dir,fn)
   filelist.append(fullfilename)


# img=root+'data/DRIVE/test/60337.jpg'   #隨機找的一張待測圖片  

def Test(img):
     
    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['prob'].data[0].flatten() #取出最后一層（prob）屬於某個類別的概率值，並打印,'prob'為最后一層的名稱 
    print prob  
    order=prob.argsort()[4]  #將概率值排序，取出最大值所在的序號 ,9指的是分為0-9十類  
    #argsort()函數是從小到大排列  
    print 'the class is:',labels[order]   #將該序號轉換成對應的類別名稱，並打印  
    f=file("/home/liuyun/caffe/examples/DR_grade/label.txt","a+")
    f.writelines(img+' '+labels[order]+'\n')

labels_filename = root +'examples/DR_grade/DR.txt'    #類別名稱文件，將數字標簽轉換回類別名稱  

for i in range(0, len(filelist)):
    img= filelist[i]
    Test(img)