本例項是使用opencv編寫程式碼，使用修改後的mnist的deploy檔案並且呼叫訓練好的模型，輸入一張圖片，輸出分類結果。本工程的所有檔案我都上傳到了github上面，需要的可以下載。具體步驟如下：

改寫deploy檔案：

• 把資料層和（Data Layer）和連線資料層的layers去掉（即top：data的層）如下：
  
• 去掉輸出層和連線輸出層的Layers（即bottom:label）
  
• 重新建立輸入，新增如下程式碼：

input: "data"
input_shape {
  dim: 1 # batchsize,每次forward的時候輸入的圖片個數
  dim: 3
 
 # number of colour channels - rgb
  dim: 28 # width
  dim: 28 # height
}

• 重新建立輸出，程式碼如下：

layer {
  name: "prob"
  type: "Softmax"
  bottom: "ip2"
  top: "prob"
}

使用模型

• opencv原始碼：

#include "opencv2/dnn.hpp"
#include "opencv2/imgproc.hpp"
#include "opencv2/highgui.hpp"

using namespace cv;
using
 
 namespace cv::dnn;

#include <fstream>
#include <iostream>
#include <cstdlib>
using namespace std;

/* Find best class for the blob (i. e. class with maximal probability) */ 
void getMaxClass(dnn::Blob &probBlob, int *classId, double *classProb)
{
    Mat probMat = probBlob.matRefConst().reshape(1
 
, 1); //reshape the blob to 1x1000 matrix
    Point classNumber;
    minMaxLoc(probMat, NULL, classProb, NULL, &classNumber);
    *classId = classNumber.x;
}


int main(int argc,char* argv[]){

    String modelTxt = "mnist_deploy.prototxt";
    String modelBin = "lenet_iter_10000.caffemodel";
    String imageFile = (argc > 1) ? argv[1] : "5.jpg";

    //! [Create the importer of Caffe model] 匯入一個caffe模型介面 
    Ptr<dnn::Importer> importer; 
    importer = dnn::createCaffeImporter(modelTxt, modelBin);

    if (!importer){
        std::cerr << "Can't load network by using the following files: " << std::endl;
        std::cerr << "prototxt:   " << modelTxt << std::endl;
        std::cerr << "caffemodel: " << modelBin << std::endl;
        exit(-1);
    }

    //! [Initialize network] 通過介面建立和初始化網路
    Net net;
    importer->populateNet(net);  
    importer.release();

    //! [Prepare blob] 讀取一張圖片並轉換到blob資料儲存
    Mat img = imread(imageFile,0); //[<Important>] "0" for 1 channel, Mnist accepts 1 channel
    if (img.empty())
    {
        std::cerr << "Can't read image from the file: " << imageFile << std::endl;
        exit(-1);
    }
    resize(img, img, Size(28, 28));                   //[<Important>]Mnist accepts only 28x28 RGB-images

    dnn::Blob inputBlob = cv::dnn::Blob(img);   //Convert Mat to dnn::Blob batch of images

    //! [Set input blob] 將blob輸入到網路
    net.setBlob(".data", inputBlob);        //set the network input

    //! [Make forward pass] 進行前向傳播
    net.forward();                          //compute output

    //! [Gather output] 獲取概率值
    dnn::Blob prob = net.getBlob("prob");   //[<Important>] gather output of "prob" layer
    int classId;
    double classProb;
    getMaxClass(prob, &classId, &classProb);//find the best class

    //! [Print results] 輸出結果
    std::cout << "Best class: #" << classId << "'" << std::endl;
    std::cout << "Probability: " << classProb * 100 << "%" << std::endl;

    return 0;
}

• 編譯命令：g++ -o test_mnist test_mnist.cpp -lopencv_dnn -lopencv_highgui -lopencv_imgcodecs -lopencv_imgproc -lstdc++ -lopencv_core

• 執行效果：

  

題外話

這裡給在自學caffe的同學一個建議，相比於自學，我覺得有個老師帶領你去學更加有動力，效率會更高。所以我學caffe和opencv都是在練數成金上報課程學習的，建議有需要的可以去報一下，然後報名的時候輸入我的優惠碼，可以有一定的優惠哦！！！
我的優惠碼：JE46
這是caffe課程連結： 深度學習框架Caffe學習與應用
這是opencv課程連結： 開源計算機視覺庫OpenCV從入門到應用