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，也沒有最后的Accuracy層，但最后多了一個Softmax概率層。

這里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'))    #最后沒有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()
運行該文件后，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。大家熟悉以后可以將test.prototxt復制一份，修改相應的地方就可以了，更加方便。