在上一篇的部落格中，已經訓練出來了迭代了4000次的caffemodel模型，那麼怎樣使用這個模型來應用於實際的影象分類中呢？其實也是很簡單的，因為前輩已經寫好了.cpp檔案，我們只需要生成.cpp檔案對應的.exe然後呼叫即可。還有，如果已經配置好了matcaffe，也可以使用matlab來實現影象分類。

一、c++實現影象分類

在tools資料夾下面，有classification檔案，該程式碼即實現影象分類。 可以在Solution下新建一個cuda project，匯入tools資料夾中的classification.cpp檔案，配置環境。編譯，通過之後會看到bin\資料夾下面有一個classification.exe。
我們看看原始碼中，介紹怎樣使用這個可執行檔案classification的。

  if (argc != 6) {
    std::cerr << "Usage: " << argv[0]
              << " deploy.prototxt network.caffemodel"
              << " mean.binaryproto labels.txt img.jpg" << std::endl;
    return 1;
  }

  caffe::GlobalInit(&argc, &argv);

  string model_file   = argv[1];
  string trained_file = argv[2];
  string mean_file    = argv[3];
  string label_file   = argv[4];
  Classifier classifier(model_file, trained_file, mean_file, label_file);

  string file = argv[5];
 

上面是classification.cpp檔案中main函式的前幾行程式碼，我們可以看到我們需要網路結構的deploy.prototxt檔案，需要caffemodel模型檔案，均值檔案，標籤檔案和待分類的圖片。獲取它們的路徑。將路徑作為引數即可。（本示例中全部使用的絕對路徑，當然相對路徑也是可以的，而且更簡潔方便） 新建一個.bat，輸入以下內容儲存。

classification.exe H:\happynearcaffe\caffe-windows-master\caffe-windows-master\examples\cifar10\cifar10_quick.prototxt H:\happynearcaffe\caffe-windows-master\caffe-windows-master\examples\cifar10\cifar10_quick_iter_4000.caffemodel H:\happynearcaffe\caffe-windows-master\caffe-windows-master\examples\cifar10\mean.binaryproto H:\happynearcaffe\caffe-windows-master\caffe-windows-master\examples\cifar10\synset_words.txt H:\happynearcaffe\caffe-windows-master\caffe-windows-master\examples\cifar10\dog2.jpg
pause
 

從上面的.bat的內容中也可以看到，我所要進行分類的是一幅dog圖片，這裡一定要注意，因為我一次只預測一幅影象，所以batchsize應當設定為1.（應當在網路結構中修改過來）。待分類影象dog的原始大小為32*32，它的原始影象為：
synset_words.txt是標籤檔案，告訴我們分類的cifar10的10類中每一類的具體名字是什麼。截圖如下：
然後執行classification.bat檔案，看看輸出的top5結果吧。
從上面可以看到，預測出來的結果為：75%的概率是dog,10%的概率是truck......還算精確地了。

二、matlab實現影象分類

首先將當前目錄設定在caffe-windows-master\matlab\demo下，然後新建一個classification_cifar.m檔案，加入以下程式碼：

% Add caffe/matlab to you Matlab search PATH to use matcaffe
if exist('../+caffe', 'dir')
  addpath('..');
else
  error('Please run this demo from caffe/matlab/demo');
end

% Set caffe mode
if exist('use_gpu', 'var') && use_gpu
  caffe.set_mode_gpu();
  gpu_id = 0;  % we will use the first gpu in this demo
  caffe.set_device(gpu_id);
else
  caffe.set_mode_cpu();
end
model_dir = '../../examples/cifar10/';
net_model = [model_dir 'cifar10_quick.prototxt'];
net_weights = [model_dir 'cifar10_quick_iter_4000.caffemodel'];
phase = 'test'; % run with phase test (so that dropout isn't applied)
if ~exist(net_weights, 'file')
  error('Please download CaffeNet from Model Zoo before you run this demo');
end

% Initialize a network
net = caffe.Net(net_model, net_weights, phase);

if nargin < 1
  % For demo purposes we will use the cat image
  fprintf('using caffe/examples/images/dogs.jpg as input image\n');
  im = imread('../../examples/images/dog2.jpg');
end
input_data = {prepare_image(im)};
scores = net.forward(input_data);
scores = scores{1};
scores = mean(scores, 2);  % take average scores over 10 crops

[~, maxlabel] = max(scores);

% call caffe.reset_all() to reset caffe
caffe.reset_all();

其中用到了對影象預處理的prepare_image函式，所以加入以下程式碼預處理圖片：

function im_data = prepare_image(im)
d = load('./cifar10_mean.mat');
mean_data = d.image_mean;
IMAGE_DIM = 32;
im_data = im(:, :, [3, 2, 1]);  % permute channels from RGB to BGR
im_data = permute(im_data, [2, 1, 3]);  % flip width and height
im_data = single(im_data);  % convert from uint8 to single
im_data = imresize(im_data, [IMAGE_DIM IMAGE_DIM], 'bilinear');  % resize im_data
im_data = im_data - mean_data;  % subtract mean_data (already in W x H x C, BGR)
end

這裡有一個cifar10_mean.mat的均值檔案，我們在使用C++進行圖片分類的時候均值檔案從leveldb中生成的.binaryproto檔案，所以要想得到cifar10_mean.mat的均值檔案，我們需要將而知檔案轉成.mat。在caffe-windows-master\matlab\+caffe資料夾下新建一個read_mean.m檔案（本來就有的，就直接將裡面的內容註釋掉也可以），然後新新增matlab程式碼：

%   Read binary proto file to mat
clear
clc
mean_file = 'H:\Gastric_DB\train_mean.binaryproto';
CHECK(ischar(mean_file), 'mean_file must be a string');
CHECK_FILE_EXIST(mean_file);
image_mean = caffe_('read_mean', mean_file);

將獲得的.mat均值檔案儲存即可。
執行，classification_cifar.m檔案，得到了結果，command window下結果顯示為： 我們看到最大的概率值為0.8661，對應的標籤為6，從synset_words.txt中查詢到，第六個標籤確實為dog,分類結果是合理的。 但是有一點我們發現，c++分類的概率值與matlab分類的概率值是不一樣的，matlab稍微好於C++，在使用的網路結構prototxt，網路模型引數caffemodel和均值、預測圖片一致的情況下，出現這個問題也是正常的，不必大驚小怪，我的猜測是預測影象在預處理環節上可能是不一樣的，所以導致結果的差異。要想知道原因需要自己審讀原始碼，理解影象處理的過程。

三、PS：本篇部落格結束語

本人也是剛剛接觸深度學習，對caffe程式碼的理解程度還不夠，所以部落格基本只介紹執行示例的步驟過程，要想加深對caffe，對深度學習的認識，肯定需要理解caffe的原始碼的。 caffe在windows上執行會出現各種各樣的BUG，有時候挺折磨人的，建議在linux下使用caffe吧，苦海無涯，回頭是岸，可是我回頭也看不到岸了，所以就一直把基於windows下的caffe用下去了。以後估計還是得要轉到linux下。 caffe中國社群也已經成立了喲，大家可以到裡面查資料，說不定你遇到的問題上面已經有了答案了，附帶一下網址： 然後貌似opencv也支援讀取caffemodel檔案了，但是在正式釋出的opencv3.1中沒有這個模組，需要自己新增。把這個環境配置好，肯定是用C++童鞋的福音，深度學習在C++中的視覺化也會更方便。以後有時間會加一下這方面的內容。