caffe的python接口生成deploy文件
訓練好的模型caffemodel分類新圖片
caffe的python接口生成deploy文件如果要把訓練好的模型拿來測試新的圖片，那必須得要一個deploy.prototxt文件，這個文件實際上和test.prototxt文件差不多，只是頭尾不相同而也。deploy文件沒有第一層數據輸入層，也沒有最後的Accuracy層，但最後多了一個Softmax概率層。
這裡我們采用代碼的方式來自動生成該文件，以mnist為例。
deploy.py
# -*- coding: utf-8 -*-from caffe import layers as L,params as P,to_protoroot='/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')) #最後沒有accuracy層，但有一個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:1\n') f.write('input_dim:3\n') f.write('input_dim:28\n') f.write('input_dim:28\n') f.write(str(create_deploy()))if __name__ == '__main__': write_deploy()運行該文件後，會在mnist目錄下，生成一個deploy.prototxt文件。
這個文件不推薦用代碼來生成，反而麻煩。大家熟悉以後可以將test.prototxt復制一份，修改相應的地方就可以了，更加方便。
訓練好的模型caffemodel分類新圖片經過前面的學習，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-8import caffeimport numpy as nproot='/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 caffemodelimg=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BGRim=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() #取出最後一層（Softmax）屬於某個類別的概率值，並打印print proborder=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，並打印最後輸出 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，然後進行循環預測就可以了。
以上就是caffe的python接口deploy生成caffemodel分類新的圖片的詳細內容，更多關於caffe python生成deploy圖片分類的資料請關注軟件開發網其它相關文章！
