• 匯入相關庫

import caffe

• 配置

# caffemodel檔案
MODEL_FILE = 'model/_iter_10000.caffemodel'
# deploy檔案，參考/caffe/models/bvlc_alexnet/deploy.prototxt
DEPLOY_FILE = 'deploy.prototxt'
# 測試圖片存放資料夾
TEST_ROOT = 'datas/'

• GPU模式測試

caffe.set_mode_gpu()
net = caffe.Net(DEPLOY_FILE, MODEL_FILE, caffe.TEST)

• 資料輸入預處理

# 'data'對應於deploy檔案：
 

# input: "data"
# input_dim: 1
# input_dim: 3
# input_dim: 32
# input_dim: 96
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
# python讀取的圖片檔案格式為H×W×K，需轉化為K×H×W
transformer.set_transpose('data', (2, 0, 1))
# python中將圖片儲存為[0, 1]，而caffe中將圖片儲存為[0, 255]，
# 所以需要一個轉換
transformer.set_raw_scale('data'
 
, 255)
# caffe中圖片是BGR格式，而原始格式是RGB，所以要轉化
transformer.set_channel_swap('data', (2, 1, 0))
# 將輸入圖片格式轉化為合適格式（與deploy檔案相同）
net.blobs['data'].reshape(1, 3, 32, 96)

• 讀取圖片

# 詳見/caffe/python/caffe/io.py
img = caffe.io.load_image('temp.jpg')
# 讀取的圖片檔案格式為H×W×K，需轉化

• 進行分類

# 資料輸入、預處理
net.blobs['data'].data[...] = transformer.preprocess('data'
 
, img)
# 前向迭代，即分類
out = net.forward()
# 輸出結果為各個可能分類的概率分佈
pridects = out['prob']
# 上述'prob'來源於deploy檔案：
# layer {
#   name: "prob"
#   type: "Softmax"
#   bottom: "ip2"
#   top: "prob"
# }

• 最可能分類

pridect = pridects.argmax()