一、deploy.prototxt文件
跟train.prototxt有一些差别，data层和softmax层做了修改
1、data层：删掉原来的数据层，换成一下代码
name: "CaffeNet"
layer {name: "data"
type: "Input"
top: "data"
input_param { shape: { dim: 1 dim: 3 dim: 63 dim: 63 } }
}
2、softmax层：删掉accuracy和softmaxwithloss层，换成一下代码
layer {
name: "prob"type: "Softmax"
bottom: "fc8"
top: "prob"
}
二、均值文件mean.binaryproto转成mean.npy文件
import numpy as np
import sys,caffe
root='/home/ths/6_operation_32_data/'
mean_proto_path=root+'6_operation_32_nearest2_test_lmdbmean.binaryproto'
mean_npy_path=root+'6_operation_32_nearest2_test_lmdbmean.npy'
blob=caffe.proto.caffe_pb2.BlobProto()
data=open(mean_proto_path,'rb').read()
blob.ParseFromString(data)
array=np.array(caffe.io.blobproto_to_array(blob))
mean_npy=array[0]
np.save(mean_npy_path,mean_npy)
三、synset_words.txt
这个文件是标签和对应的索引值，要与训练过程时的标签和索引保持一致
0 ORIGINAL
1 AVE_5
2 CE
3 GAUSSIAN_5
4 JPEG_70
5 MF_5
6 RESAMPLING_2
四、准备待分类图片的标签文件，这个最后生成混淆矩阵的时候会用到,命名为label.log。注意！！要删掉多余的空行哦！不然会报错！
就只写标签就可以了，因为我把同类图片放到一起了所以我的标签长成这样了。
五、分类：以下代码得到log文件显示的是分类的标签，可根据个人需要更改输出。最后的log文件也要删掉多余的空行！
注意！！！！！这个代码不仅可以分类彩色图片而且可以分类灰度图片，因为caffe在处理单通道的灰度图片的时候会自动把它转成三通道的图片！！！！
#coding=utf-8
#作用：可以用来批处理图片进行分类
import os
import caffe
import numpy as np
import sys
root='E:/class1/' #根目录
temp='E:/class1/'
deploy=root+'net.prototxt' #deploy文件的路径
caffe_model=temp+'6_operation_64input_iter_54000.caffemodel' #caffe_model的路径
mean_file=temp+'6_operation_32_nearest2_train_lmdbmean.npy' #mean_file的路径--注意，在python中要将mean.binaryproto转换为mean.npy格式
labels_filename=root+'synset_words.txt' #sysset_words.txt的路径
#预读待分类的图片pyth
import os
dir=root+'100JPEGC70/'
filelist=[]
filenames=os.listdir(dir) #返回指定目录下的所有文件和目录名
for fn in filenames:
fullfilename=os.path.join(dir,fn) #os.path.join--拼接路径
filelist.append(fullfilename) #filelist里存储每个图片的路径
net=caffe.Net(deploy,caffe_model,caffe.TEST) #加载model和network
#图片预处理设置
transformer=caffe.io.Transformer({'data':net.blobs['data'].data.shape}) #设定图片的格式(1,3,28,28)
transformer.set_transpose('data',(2,0,1)) #改变维度的顺序，由原始图片(28,28,3)变为(3,28,28)
transformer.set_mean('data',np.load(mean_file).mean(1).mean(1)) #减去均值
#print 'mean-subtracted values:',zip('BGR',np.load(mean_file).mean(1).mean(1))#打印mean的维度
transformer.set_raw_scale('data',255) #缩放到[0,255]之间
transformer.set_channel_swap('data',(2,1,0)) #交换通道，将图片由RGB变成BGR
import logging
logging.basicConfig(filename='predict.log', filemode="w", level=logging.DEBUG)
#加载图片
for i in range(0,len(filelist)):
img=filelist[i] #获取当前图片的路径
print filenames[i] #打印当前图片的名称
#logging.info(filenames[i])
im=caffe.io.load_image(img) #加载图片
#logging.info(im.shape)
net.blobs['data'].data[...]=transformer.preprocess('data',im) #执行上面的预处理操作，并将图片载入到blob中
#执行测试
out=net.forward()
labels=np.loadtxt(labels_filename,str,delimiter='/t') #读取类别名称文件
prob=net.blobs['prob'].data[0].flatten() #取出最后一层(prob)属于某个类标的概率值，'prob'为最后一层的名称
print prob
index1=prob.argsort()[-1] #获取最大概率值对应的index
print labels[index1],'--',prob[index1] #输出label--prob
#logging.info(labels[index1])#输出标签和标签对应的类别
logging.info(index1)#只输出标签
#logging.info(prob[index1]) #logging.info在终端不输出，在脚本输出,,本张图片属于此类型的概率
得到一个predict.log文件，内容如下
最后生成混淆矩阵只需要最后的数字，ctrl+H查找替换，删掉INFO：root：，全部替换
替换完成的效果：
六、生成混淆矩阵
离最后的成功就差这一哆嗦了，哈哈哈!
confusion_matrix.py
# -*- coding: utf-8 -*-
import os
import shutil
from collections import defaultdict
import pandas as pd
import numpy as np
from pandas import Series,DataFrame
import argparse
import logging
logging.basicConfig(filename='matrix.log', filemode="w", level=logging.DEBUG)
if __name__ == "__main__":
parser = argparse.ArgumentParser(
description = "Plot the detection results output by ssd_detect.")
parser.add_argument("label_file",
help = "A file which contains all labels.")
parser.add_argument("predict_file",
help = "A file which contains all results")
args = parser.parse_args()
file_label = args.label_file
file_predict = args.predict_file
label_list=[]
predict_list=[]
with open(file_label) as m:
for line in m:
label = line.split('\r').pop(0)
temp = label.split()[0]
label_list.append(temp)
with open(file_predict) as n:
for line in n:
s = line.split('\r').pop(0)
temp = s.split()[0]
predict_list.append(temp)
matrix = [[0 for col in range(7)] for row in range(7)]#这个代码中唯一需要改的地方，要生成几行几列就改成几
print len(label_list)
print len(predict_list)
for i in range(len(label_list)):
level = int(label_list[i])
predict = int(predict_list[i])
matrix[level][predict] +=1
logging.info(matrix)#只在log文件中显示
#print matrix#只在终端输出
最后在命令行输入python confusion_matrix.py label.log predict.log
如果要得到百分比，就把对应的数字除以该类图像的总数就可以了。