以大神訓練好的模型為基礎，利用自己的資料進行了finetune之後，下一步就可以真正使用模型來進行分類操作了。具體步驟如下：

    1. 編輯分類網路的配置檔案deploy.prototxt

    deploy檔案是真正使用模型時候用的，其結構與train_val.prototxt基本上是一樣的，只是輸入和輸出模組有區別。因此，可以直接把train_val.prototxt拷貝一份，改名為deploy.prototxt，並對其進行編輯：

    （1）輸入模組

    把其中的data層刪除（一般有兩個，一個用於train，一個用於test），新增一個Input層，一般引數如下：

layer{
  name: "data"
  type: "Input"
  top: "data"
  input_param{
    shape: { dim: 1 dim: 3 dim: 227 dim: 227}
  }
}

    需要注意的是，top引數要和後面的cov1的bottom一樣，才能把網路連線上；其次，shape是輸入的圖片的shape，可以在呼叫caffe的程式碼中進行修改。

    （2）輸出模組

    刪除Accuracy層和SoftmaxWithLoss層，新建一個Softmax層，一般引數如下：

layer {
  name: "prob"
  type: "Softmax"
  bottom: "fc8"
  top: "prob"
}
 

    其中，bottom引數為上面的網路中最後一層的top（一般為全連線層）

    2.圖片資訊預處理

    在輸入到網路之前，需要對圖片進行預處理，如減去均值等。具體步驟如下：

    （1）轉換均值檔案格式

    因為訓練時生成的mean檔案是通過caffe自帶的工具生成的，是C++使用的格式，使用python介面使用caffe需要先將其轉化為npy格式。指令碼程式碼如下：

path =  '/Users/Coder/caffe/examples/my_file/'
blob = caffe.proto.caffe_pb2.BlobProto()
data = open(path + 'mean.binaryproto' , 'rb' ).read()
blob.ParseFromString(data)
arr = np.array( caffe.io.blobproto_to_array(blob) )
out = arr[0]
np.save(path + 'mean.npy' , out )
 

    （2）圖片格式化    

    python中讀入的圖片與caffe中需要的並不一致，因此需要進行格式化

mu = np.load(my_path + 'mean.npy')
mu = mu.mean(1).mean(1)

transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) #shape要與net中data的shape一致
transformer.set_transpose('data', (2, 0, 1)) #caffe.io.load_image讀取jpg圖片時，第三維是channel，需要把channel換到第一維
transformer.set_mean('data', mu) #減去均值
transformer.set_raw_scale('data', 255) #python中將圖片儲存為[0, 1]，而caffe中將圖片儲存為[0, 255]，所以需要一個轉換
transformer.set_channel_swap('data', (2, 1, 0)) #python的圖片是RGB格式，而caffe中的是BGR格式，需要進行轉置

    3. 載入模型，進行分類

    載入模型的網路和訓練好的引數，把圖片輸入，進行分類

    載入模型：

my_path = '/Users/Coder/caffe/examples/my_file/'
caffe.set_mode_cpu() #如果只使用CPU，需要這一行，如果使用GPU，則設為GPU
model_def = my_path + 'deploy.prototxt'   #模型配置檔案
model_weights = my_path + 'minemodel/solver_iter_200.caffemodel' #訓練好的引數
net = caffe.Net(model_def, model_weights, caffe.TEST)

    輸入圖片，執行分類：

img = caffe.io.load_image('/Users/Coder/caffe/data/re/test/409.jpg') #載入圖片，進行預處理
transformed_img = transformer.preprocess('data', img)

net.blobs['data'].reshape(1, 3, 227, 227) # 修改net的data的格式，使之與輸入匹配（可以修改第一個引數，進行批處理）
net.blobs['data'].data[...] = transformed_img #輸入
output = net.forward() #分類

output_prob = output['prob'][0] #讀取分類結果
print 'predicted class is: ', output_prob.argmax()