用已有的caffemodel和python脚本进…

2月13日更新：

在使用python脚本之前，首先需要在根目录makepycaffe，同时确保环境变量PYTHONPATH是指向当前caffe/python这一子目录下的，如果指向其他版本caffe的python目录，可能导致程序无法运行

==========================================================

当已有caffemodel之后，整个学习过程并没有结束，还有最后一个步骤——预测。这个也就是常见的deploy.txt这个文件的用处，打开文件可以看到，没有data_layer，只有一个inputdim，这是因为，这个文件不能单独运行，必须配合python或者c++的脚本来预处理数据，把数据变成第一个conv层能接受的形式，再输入到网络中。

下面就是一个简单的python预测脚本。根据TSP网络，一次输入三张图片，分别用transformer转变后，统一赋给blob里面的'data'数组，就能作为网络的输入。需要注意的是，原TSP网络的dim四1、3、224、224，第一维是1，也就是只能输入一张图片，要输入3张的话，需要手动把第一个dim改成3。

import caffe 

caffe_root='/home/hadoop/whx/tsncaffe/'

data_root='/home/hadoop/whx/dataset/ucf101/ucf_videoframedata_jpeg/'

model_root='/home/hadoop/whx/exp-result/'

import numpy as np  

import scipy

import sys

import os

def rgb_predict()

net = caffe.Net(caffe_root +'mywork/ucf101/tsn_bn_inception_rgb_deploy.prototxt',model_root+'2017-1-7/ucf_rgb_bn_inception_iter_80000.caffemodel',caffe.TEST)

transformer = caffe.io.Transformer({'data':net.blobs['data'].data.shape})#设置transformer

transformer.set_transpose('data',(2,0,1))#本来是224*224*3，改成3*224*224

transformer.set_mean('data', np.load(caffe_root +'python/caffe/imagenet/ilsvrc_2012_mean.npy').mean(1).mean(1))#读取均值文件

transformer.set_raw_scale('data', 255)#本来的像素值是0-1，扩展为0-255

transformer.set_channel_swap('data', (2,1,0))#caffe接收的图片彩色通道应该是BGR这样排列，而原图是RGB格式

image1=caffe.io.load_image(data_root +'PlayingViolin/v_PlayingViolin_g01_c01/frame000001.jpg')

image2=caffe.io.load_image(data_root +'PlayingViolin/v_PlayingViolin_g01_c01/frame000010.jpg')

image3=caffe.io.load_image(data_root +'PlayingViolin/v_PlayingViolin_g01_c01/frame000020.jpg')

net.blobs['data'].reshape(3,3,224,224)

net.blobs['data'].data[...] = [transformer.preprocess('data',image1),transformer.preprocess('data',image2),transformer.preprocess('data', image3)]#transformer设置的是3维（即针对单个图片）而不是4维，因此需要先transformer，再把转换后的3张图拼接在一起。

net.forward()

out = net.blobs['pool_fc'].data[...]

out =out[0][0][0]#得到的data[...]是一个（1，1，1，101）的四维数组，因此取最后一维即可

print out.argmax()+1