轉載地址： http://blog.csdn.net/xunan003/article/details/73126425

一、前沿

        寫這篇博文，是因為一開始在做《21天學習caffe》第6天6.4練習題1的時候看著自己搜尋的博文，在不理解其根本的情況下做的，結果顯然是錯的。在接下來閱讀完原始碼之後，在第10天學習完caffe model zoo之後，明白了其中原理，反過來再去做那個習題，一開始在網上搜索並沒有完完整整解釋整個過程的一篇博文，而是寫的不知所云，本著我們初學者互相共享的精神，也方便自己查閱，特詳細寫一下，將自己的一張手寫體圖片送入訓練好的caffemodels中測試這個過程，博主也是在仿照參考書目的命令來逐項百度每個檔案的製作方法，最終成功。結果還是比較美好的。接下來，就讓我們一起來看看ubuntu下手寫體數字的測試情況。

二、具體步驟    

1、首先我們要知道要利用模型lenet_iter_10000.caffemodel測試單張手寫體數字所需要的檔案：
      1>待測試圖片（自己畫的也行，網路上下的也行）；需要注意的是，不管是什麼格式，都要轉換為28*28大小的黑白灰度影象，具體轉化方法請自行百度（我是就拿windows自帶的畫圖工具轉化的）。因為

         mnist資料集都是28*28的單通道黑白灰度影象。

     3>network.caffemodel（模型權值檔案）；在本例中就是lenet_iter_10000.caffemodel

     4>labels.txt（標籤檔案）；生成方法一會兒描述

     5>mean.binaryproto（二進位制影象均值檔案）；生成方法下面描述（類似的還有Python下的均值檔案mean.pny我們這裡不做考慮，想去嘗試的可以自己嘗試）

     6>classification.bin（二進位制程式名）。與二進位制均值檔案配合使用，只是均值檔案不同的模型有不同的均值檔案，而這個bin檔案為通用的，就是任何模型都

         可以做分類使用。但是如果採用python藉口模式的測試就要自己再做一個classification分類檔案，具體方法下面解釋的時候給連結。

2、步驟1：生成待測試圖片

     具體要求在1中已有說明，這裡不做過多闡述。如還有人不懂如何做圖請自行百度。

3、步驟2：生成deploy.prototxt檔案

     要了解deploy.prototxt檔案的作用請自行百度或google，這裡我們需要知道的是，他和lenet_train_test.prototxt檔案類似，或者說對後者改動可得到前者。在熟悉生成檔案的原理及方法之後我們可以之間在原訓練prototxt網路檔案中改動。在examples/mnist目錄下複製一份lenet_train_test.prototxt修改並儲存後得到deploy.prototxt如下：

name: "LeNet"
layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param{shape:{dim:1 dim:1 dim:28 dim:28}} 
}

layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  convolution_param {
    num_output: 20
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
  }
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  convolution_param {
    num_output: 50
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
  }
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "ip1"
  type: "InnerProduct"
  bottom: "pool2"
  top: "ip1"
  inner_product_param {
    num_output: 500
    weight_filler {
      type: "xavier"
    }
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "ip1"
  top: "ip1"
}
layer {
  name: "ip2"
  type: "InnerProduct"
  bottom: "ip1"
  top: "ip2"
  inner_product_param {
    num_output: 10
    weight_filler {
      type: "xavier"
    }
  }
}
layer {
  name: "prob"
  type: "Softmax"
  bottom: "ip2"
  top: "prob"
}

4、步驟3：生成labels.txt標籤檔案

     在當前目錄下新建一個txt檔案，命名為synset_words.txt，裡面內容為我們訓練mnist的圖片內容，共有0~9十個數，那麼我們就建立如下內容的標籤檔案：

5、步驟4:生成mean.binaryproto二進位制均值檔案

     均值檔案分為二進位制均值檔案和python類均值檔案。因為博主還未配置python介面，故未採用python方法，這也是之前一直出錯的原因。

     生成均值檔案的兩種方法請參看博文：點選博文連結

     caffe作者為我們提供了一個計算均值的檔案compute_image_mean.cpp，放在caffe根目錄下的tools資料夾裡面，執行下面命令生成mean.binaryproto二進位制均值檔案。

1. sudo build/tools/compute_image_mean examples/mnist/mnist_train_lmdb examples/mnist/mean.binaryproto  

     生成的mean.binaryproto均值檔案儲存在了examples/mnist目錄下。

6、步驟5：分類器classification.bin（windows下caffe為classification.exe）

       在example資料夾中有一個cpp_classification的資料夾，開啟它，有一個名為classification的cpp檔案，這就是caffe提供給我們的呼叫分類網路進行前向計算，得到分類結果的介面。就是這個檔案在命令中會得到classification.bin，具體我們可以不用管它，在其他caffemodel下不用修改也可以用，不像均值檔案，不同的模型需要不同的均值檔案。

       需要詳細瞭解classification請參看博文（或其他資料）：點選博文連結

       如果是按照python介面方法做此測試，均值檔案及分類classification以及測試過程請參看博文：點選博文連結

7、步驟6：準備測試

      萬事具備，只欠東風。下面我們就在caffe根目錄下命令：

1. ./build/examples/cpp_classification/classification.bin examples/mnist/deploy.prototxt examples/mnist/lenet_iter_10000.caffemodel examples/mnist/mean.binaryproto examples/mnist/synset_words.txt examples/images/3.jpg   

三、參考博文