經過前面兩篇博文的學習，我們已經訓練好了一個caffemodel模型，并生成了一個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，并將圖片載入到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）屬于某個類別的概率值，并打印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，并打印
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。