前言
最近打算重新跟着官方教程学习一下caffe，顺便也自己翻译了一下官方的文档。自己也做了一些标注，都用斜体标记出来了。中间可能额外还加了自己遇到的问题或是运行结果之类的。欢迎交流指正，拒绝喷子！
官方教程的原文链接：http://caffe.berkeleyvision.org/gathered/examples/web_demo.html
Web Demo
依赖项
这个服务器demo需要一些python依赖。为了确保你已经满足了这些依赖库，请运行`pip install -r examples/web_demo/requirements.txt，也要确保你已经成功编译了caffe的python接口，并且已经添加到你的python路径（PYTHONPATH）中。
确保你已经下载了CaffeNet的模型和ImageNet的附加数据集：（补充：下载会比较慢，嫌慢可以考虑“科学上网”，都懂得）
./scripts/download_model_binary.py models/bvlc_reference_caffenet
./data/ilsvrc12/get_ilsvrc_aux.sh注释：如果你运行是遇到了错误，试着重新下载那些附加的文件。
运行
运行python examples/web_demo/app.py会启动demo的服务器，可以通过http://0.0.0.0:5000访问。你可以开启web服务器的调试模式，或是切换到另外的一个端口：
% python examples/web_demo/app.py -h
Usage: app.py [options]
Options:
-h, --help show this help message and exit
-d, --debug enable debug mode
-p PORT, --port=PORT which port to serve content on”最准确“的结果是如何产生的？
简而言之，ImageNet的预测都是在叶节点上产生的，但是项目中的组织允许叶节点通过更具一般性的父节点组合起来，然而“实体”还是在最顶端。为了给出“最准确”的结果，我们从最大特定的预测退一步，来保持一个较高的准确率。demo中导入的bet_file文件提供了图表结构和所有ImageNet相关结点的名字以及他们之间信息增益的度量。请查阅CVPR 2012的”Hedging your bets“这篇论文以获取更多信息。
补充
为了正确导入caffe，将app.py文件的代码修改一下：
运行指令：
python ./examples/web_demo/app.py终端上会打印出网络信息以及服务器信息：
在浏览器访问：http://0.0.0.0:5000
*如果前面下载好了ImageNet下训练好的模型，那么我们可以打开一张图片预测看看：
预测一只橘猫：*
预测结果截图：
