caffe之利用mnist数据集训练好的lenet_iter_10000.caffemodel模型测试一张自己的手写体数字
一、前沿
写这篇博文，是因为一开始在做《21天学习caffe》第6天6.4练习题1的时候看着自己搜索的博文，在不理解其根本的情况下做的，结果显然是错的。在接下来阅读完源代码之后，在第10天学习完caffe model zoo之后，明白了其中原理，反过来再去做那个习题，一开始在网上搜索并没有完完整整解释整个过程的一篇博文，而是写的不知所云，本着我们初学者互相共享的精神，也方便自己查阅，特详细写一下，将自己的一张手写体图片送入训练好的caffemodels中测试这个过程，博主也是在仿照参考书目的命令来逐项百度每个文件的制作方法，最终成功。结果还是比较美好的。接下来，就让我们一起来看看ubuntu下手写体数字的测试情况。
二、具体步骤
1、首先我们要知道要利用模型lenet_iter_10000.caffemodel测试单张手写体数字所需要的文件： 1>待测试图片（自己画的也行，网络上下的也行，楼主是在自己windows系统下用画图工具画的并命名为3.jpg，当然你如果愿意也可以弄成.dmp，.png等其他格式）；
这是博主自己画的图片
需要注意的是，不管是什么格式，都要转换为28*28大小的黑白灰度图像，具体转化方法请自行百度（我是就拿windows自带的画图工具转化的）。因为
mnist数据集都是28*28的单通道黑白灰度图像。
2>deploy.prototxt（模型描述型文件）；具体生成方法下面我们解释。
3>network.caffemodel（模型权值文件）；在本例中就是lenet_iter_10000.caffemodel
4>labels.txt（标签文件）；生成方法一会儿描述
5>mean.binaryproto（二进制图像均值文件）；生成方法下面描述（类似的还有python下的均值文件mean.pny我们这里不做考虑，想去尝试的可以自己尝试）
6>classification.bin（二进制程序名）。与二进制均值文件配合使用，只是均值文件不同的模型有不同的均值文件，而这个bin文件为通用的，就是任何模型都
可以做分类使用。但是如果采用python借口模式的测试就要自己再做一个classification分类文件，具体方法下面解释的时候给链接。
2、步骤1：生成待测试图片
具体要求在1中已有说明，这里不做过多阐述。如还有人不懂如何做图请自行百度。
3、步骤2：生成deploy.prototxt文件
要了解deploy.prototxt文件的作用请自行百度或google，这里我们需要知道的是，他和lenet_train_test.prototxt文件类似，或者说对后者改动可得到前者。在熟悉生成文件的原理及方法之后我们可以之间在原训练prototxt网络文件中改动。在examples/mnist目录下复制一份lenet_train_test.prototxt修改并保存后得到deploy.prototxt如下：
name: "LeNet"
layer {
name:"data"
type: "Input"
top: "data"
input_param { shape: { dim: 1 dim: 1 dim: 28 dim: 28 } }
}
layer {
name:"conv1"
type: "Convolution"
bottom: "data"
top: "conv1"
convolution_param {
num_output: 20
kernel_size: 5
stride: 1
weight_filler {
type: "xavier"
}
}
}
layer {
name:"pool1"
type: "Pooling"
bottom: "conv1"
top: "pool1"
pooling_param {
pool: MAX
kernel_size: 2
stride: 2
}
}
layer {
name:"conv2"
type: "Convolution"
bottom: "pool1"
top: "conv2"
convolution_param {
num_output: 50
kernel_size: 5
stride: 1
weight_filler {
type: "xavier"
}
}
}
layer {
name:"pool2"
type: "Pooling"
bottom: "conv2"
top: "pool2"
pooling_param {
pool: MAX
kernel_size: 2
stride: 2
}
}
layer {
name:"ip1"
type: "InnerProduct"
bottom: "pool2"
top: "ip1"
inner_product_param {
num_output: 500
weight_filler {
type: "xavier"
}
}
}
layer {
name:"relu1"
type: "ReLU"
bottom: "ip1"
top: "ip1"
}
layer {
name:"ip2"
type: "InnerProduct"
bottom: "ip1"
top: "ip2"
inner_product_param {
num_output: 10
weight_filler {
type: "xavier"
}
}
}
layer {
name:"prob"
type: "Softmax"
bottom: "ip2"
top: "prob"
}
4、步骤3：生成labels.txt标签文件
在当前目录下新建一个txt文件，命名为synset_words.txt，里面内容为我们训练mnist的图片内容，共有0~9十个数，那么我们就建立如下内容的标签文件：
5、步骤4:生成mean.binaryproto二进制均值文件
均值文件分为二进制均值文件和python类均值文件。因为博主还未配置python接口，故未采用python方法，这也是之前一直出错的原因。
生成均值文件的两种方法请参看博文：点击博文链接
caffe作者为我们提供了一个计算均值的文件compute_image_mean.cpp，放在caffe根目录下的tools文件夹里面，运行下面命令生成mean.binaryproto二进制均值文件。
sudo build/tools/compute_image_mean examples/mnist/mnist_train_lmdb examples/mnist/mean.binaryproto生成的mean.binaryproto均值文件保存在了examples/mnist目录下。
6、步骤5：分类器classification.bin（windows下caffe为classification.exe）
在example文件夹中有一个cpp_classification的文件夹，打开它，有一个名为classification的cpp文件，这就是caffe提供给我们的调用分类网络进行前向计算，得到分类结果的接口。就是这个文件在命令中会得到classification.bin，具体我们可以不用管它，在其他caffemodel下不用修改也可以用，不像均值文件，不同的模型需要不同的均值文件。
需要详细了解classification请参看博文（或其他资料）：点击博文链接
如果是按照python接口方法做此测试，均值文件及分类classification以及测试过程请参看博文：点击博文链接
7、步骤6：准备测试
万事具备，只欠东风。下面我们就在caffe根目录下命令：
./build/examples/cpp_classification/classification.bin examples/mnist/deploy.prototxt examples/mnist/lenet_iter_10000.caffemodel examples/mnist/mean.binaryproto examples/mnist/synset_words.txt examples/images/3.jpg 下面看看我们的测试结果吧！
三、参考博文
参考博文链接：http://blog.csdn.net/jiongnima/article/details/52681816?locationNum=11&fps=1