小菜準備了幾張驗證的圖片存放路徑為caffe根目錄下的 examples/images/, 如果我們想用一個微調訓練好的caffemodel來對這張圖片進行分類，那該怎麼辦呢？下面小菜來詳細介紹一下這一任務的步驟。一般可以同兩種方式進行測試，分別是基於c++介面和python介面。不管是用c++來進行分類，還是用python介面來分類，我們都應該準備這樣三個檔案：
1、 caffemodel檔案。
就是之前小菜fine-tuning訓練好的caffemodel，小菜用的是result_iter_1000.caffemodel。
2、均值檔案。
有了caffemodel檔案，就需要對應的均值檔案，在測試階段，需要把測試資料減去均值。這個檔案我們用指令碼來下載，在caffe根目錄下執行：
data/ilsvrc12/get_ilsvrc_aux.sh
執行並下載後，均值檔案放在 data/ilsvrc12/ 資料夾裡。不過小菜用的是自己的資料集的均值檔案，也就是fine-tuning時生成的均值檔案mean.binaryproto。
3、synset_words.txt檔案

在呼叫指令碼檔案下載均值的時候，這個檔案也一併下載好了。裡面放的是1000個類的名稱。小菜自己在examples/myfile/目錄下建立一個自己的ynset_words.txt，裡面寫了根據小菜需要分類的6個類別文字。
資料準備好了，我們就可以開始分類了，我們給大家提供兩個版本的分類方法：
一、c++方法
在caffe根目錄下的 examples/cpp-classification/ 資料夾下面，有個classification.cpp檔案，就是用來分類的。一開始安裝caffe時，編譯了caffe.sln會在Build/x64/Release/下有

classification.exe，直接條用就行。我們就直接執行命令：
build/x64/examples/cpp_classification.exe
 
（此處有空格）\
examples/myfile/deploy.prototxt （此處有空格） \  
examples/myfile/result_iter_1000.caffemodel  （此處有空格）\
examples/myfile/mean.binaryproto （此處有空格）\
examples/myfile/synset_words.txt （此處有空格）\
examples/images/cat.jpg

命令很長，用了很多的\符號來換行。可以看出，從第二行開始就是引數，每行一個，共需要4個引數。為了方便小菜這裡把這命令寫到指令碼檔案裡了（xxx.sh），在cygwin裡直接執行。
執行成功後，輸出top-5結果：
———- Prediction for examples/images/cat.jpg ———-
0.3134 - “n02123045 tabby, tabby cat”
0.2380 - “n02123159 tiger cat”
0.1235 - “n02124075 Egyptian cat”
0.1003 - “n02119022 red fox, Vulpes vulpes”
0.0715 - “n02127052 lynx, catamount”
即有0.3134的概率為tabby cat, 有0.2380的概率為tiger cat ……
二、python方法
python介面可以使用jupyter notebook來進行視覺化操作，因此推薦使用這種方法。建立一個test.py格式的指令碼程式碼如下，在test.py根目錄下（CMD）通過執行Python test.py來驗證測試圖片的分類結果，也可以在cygwin中執行。程式碼如下：

**#coding=utf-8
****#載入必要的庫******
import numpy as np

import sys,os,caffe

**#設定當前目錄**
caffe_root = 'd:/caffe-master/' 
sys.path.insert(0, caffe_root + 'python')
import caffe
os.chdir(caffe_root)

net_file=caffe_root + 'examples/myfile/deploy.prototxt'

caffe_model=caffe_root + 'examples/myfile/result_iter_1000.caffemodel'
mean_file=caffe_root + 'examples/myfile/mean.npy'
****#python/caffe/imagenet/ilsvrc_2012_mean.npy****

net = caffe.Net(net_file,caffe_model,caffe.TEST)
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
transformer.set_transpose('data', (2,0,1))
transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))
transformer.set_raw_scale('data', 255) 
transformer.set_channel_swap('data', (2,1,0))

im=caffe.io.load_image(caffe_root+'examples/images/2.jpg')
net.blobs['data'].data[...] = transformer.preprocess('data',im)
out = net.forward()
****#imagenet_labels_filename = caffe_root + 'data/ilsvrc12/synset_words.txt'****
imagenet_labels_filename = caffe_root + 'examples/myfile/synset_words.txt'
labels = np.loadtxt(imagenet_labels_filename, str, delimiter='\t')
top_k = net.blobs['prob'].data[0].flatten().argsort()[-1:-6:-1]
for i in np.arange(top_k.size):
    print top_k[i], labels[top_k[i]]