圖片減去均值後，再進行訓練和測試，會提高速度和精度。因此，一般在各種模型中都會有這個操作。

那麼這個均值怎麼來的呢，實際上就是計算所有訓練樣本的平均值，計算出來後，儲存為一個均值檔案，在以後的測試中，就可以直接使用這個均值來相減，而不需要對測試圖片重新計算。

一、二進位制格式的均值計算

caffe中使用的均值資料格式是binaryproto, 作者為我們提供了一個計算均值的檔案compute_image_mean.cpp，放在caffe根目錄下的tools資料夾裡面。編譯後的可執行體放在 build/tools/ 下面，我們直接呼叫就可以了，下面以mnist資料集為例。

# build/tools/compute_image_mean examples/mnist/mnist_train_lmdb examples/mnist/mean.binaryproto
 

帶兩個引數：

第一個引數：examples/mnist/mnist_train_lmdb， 表示需要計算均值的資料，格式為lmdb的訓練資料。

第二個引數：examples/mnist/mean.binaryproto， 計算出來的結果儲存檔案。

二、python格式的均值計算

如果我們要使用python介面，或者我們要進行特徵視覺化，可能就要用到python格式的均值檔案了。首先，我們用lmdb格式的資料，計算出二進位制格式的均值，然後，再轉換成python格式的均值。

我們可以編寫一個名稱為convert_mean.py的python指令碼來實現：

#!/usr/bin/env python
import numpy as np
import sys,caffe

if len(sys.argv)!=3:
    print "Usage: python convert_mean.py mean.binaryproto mean.npy"
    sys.exit()

blob = caffe.proto.caffe_pb2.BlobProto()
bin_mean = open( sys.argv[1] , 'rb' ).read()
blob.ParseFromString(bin_mean)
arr = np.array( caffe.io.blobproto_to_array(blob) )
npy_mean = arr[0]
np.save( sys.argv[2] , npy_mean )
 

呼叫格式為：

# python convert_mean.py mean.binaryproto mean.npy

其中的 mean.binaryproto 就是經過前面步驟計算出來的二進位制均值。

mean.npy就是我們需要的python格式的均值。