在剛接觸caffe時，我們一般使用.bat 或者.sh命令來檢視訓練好的模型或者預測新的圖片，很多時候會顯得不方便，之前我們配置了MATLAB和python介面，因此，可以使用python來進行相關操作。

#coding=utf-8
import caffe
import numpy as np

caffe_root='D:/caffe/caffe-windows' #根目錄
MEAN_PROTO_PATH = caffe_root+'/data/work/imagenet_mean.binaryproto'               # 待轉換的pb格式影象均值檔案路徑
MEAN_NPY_PATH = caffe_root+'/data/work/mean.npy'
 
                         # 轉換後的numpy格式影象均值檔案路徑

blob = caffe.proto.caffe_pb2.BlobProto()           # 建立protobuf blob
data = open(MEAN_PROTO_PATH, 'rb' ).read()         # 讀入mean.binaryproto檔案內容
blob.ParseFromString(data)                         # 解析檔案內容到blob

array = np.array(caffe.io.blobproto_to_array(blob))# 將blob中的均值轉換成numpy格式，array的shape （mean_number，channel, hight, width）
 

mean_npy = array[0]                                # 一個array中可以有多組均值存在，故需要通過下標選擇其中一組均值
np.save(MEAN_NPY_PATH ,mean_npy)

然後寫預測圖片的py檔案，

#coding=utf-8

#作用：可以用來批處理圖片進行分類
import os
import caffe
import numpy as np

caffe_root='D:/caffe/caffe-windows' #根目錄
deploy=caffe_root+'/data/work/lenet.prototxt' #deploy檔案的路徑
 

caffe_model=caffe_root+'/data/work/lenettt_iter_5000.caffemodel'  #caffe_model的路徑
mean_file=caffe_root+'/data/work/mean.npy' #mean_file的路徑
labels_filename=caffe_root+'/data/work/test.txt'  #name.txt的路徑

#預讀待分類的圖片
# dir=caffe_root+'/data/work/test/99.bmp'
dir='D:/caffe/caffe-windows/data/work/test/'
filelist=[]
filenames=os.listdir(dir)  #返回指定目錄下的所有檔案和目錄名
for fn in filenames:
    fullfilename=os.path.join(dir,fn) #os.path.join--拼接路徑
    filelist.append(fullfilename) #filelist裡儲存每個圖片的路徑

net=caffe.Net(deploy,caffe_model,caffe.TEST)  #載入model和network

#圖片預處理設定
transformer=caffe.io.Transformer({'data':net.blobs['data'].data.shape})  #設定圖片的格式(1,3,28,28) lenet5模型
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
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變成BGR

labels=np.loadtxt(labels_filename,str,delimiter='/t') #讀取類別名稱檔案

#載入圖片
for i in range(0,len(filelist)):
    img=filelist[i]   #獲取當前圖片的路徑
    #print filenames[i]    #列印當前圖片的名稱

    im=caffe.io.load_image(img) #載入圖片
    net.blobs['data'].data[...]=transformer.preprocess('data',im) #執行上面的預處理操作，並將圖片載入到blob中

    #執行測試
    out=net.forward()
    prob=net.blobs['prob'].data[0].flatten()   #取出最後一層(prob)屬於某個類標的概率值，'prob'為最後一層的名稱

    #print prob
    index1=prob.argsort()[-1]  #獲取最大概率值對應的index
    # index2=prob.argsort()[-2]  #獲取第二大概率值對應的index
    # index3=prob.argsort()[-3]  #獲取第三大概率值對應的index
    # index4=prob.argsort()[-4]  #獲取第四大概率值對應的index
    # index5=prob.argsort()[-5]  #獲取第5大概率值對應的index

    print filenames[i],' is ', labels[index1],'   ',prob[index1]   #輸出label--prob
    # print labels[index2],'--',prob[index2]
    # print labels[index3],'--',prob[index3]
    # print labels[index4],'--',prob[index4]
    # print labels[index5],'--',prob[index5]