使用Caffe的Python接口进行推理

从网上下载下来Caffe代码进行编译后，在Caffe的源码目录下有一个python子目录，把这个子目录的路径加入到PYTHONPATH环境变量中去，然后就可以使用Caffe的Python API了，如下所示：

$ export PYTHONPATH=/home/hank/Study/CV/caffe.git/python/

打开Python，执行import caffe语句，如果没有报错，说明就可以正常使用了，如下：

hank@hank-desktop:~/Study/CV$ python
Python 2.7.6 (default, Nov 23 2017, 15:49:48)
[GCC 4.8.4] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import caffe
>>>

接下来我们使用Caffe的Python API对一个预训练好的模型进行加载并进行推理测试，在Caffe的源码目录下有一个下载由Caffe开发团队预训练好的模型的脚本，这里我们以caffenet模型为例，先执行下载脚本，如下：

$sudo python ./scripts/download_model_binary.py models/bvlc_reference_caffenet

下载完成后在models/bvlc_reference_caffenet目录下就会看到对应的模型（caffemodel文件以及prototxt文件），如下：

hank@hank-desktop:~/Study/CV/caffe.git$ ls -lh models/bvlc_reference_caffenet/
total 233M
-rw-rw-r-- 1 hank hank 233M 11月 24 23:23 bvlc_reference_caffenet.caffemodel
-rw-rw-r-- 1 hank hank 2.9K 11月 25 20:56 deploy.bak.prototxt
-rw-rw-r-- 1 hank hank 2.9K 11月 25 20:56 deploy.prototxt
-rw-rw-r-- 1 hank hank 1.3K  9月  9 08:46 readme.md
-rw-rw-r-- 1 hank hank  315  9月  9 08:46 solver.prototxt
-rw-rw-r-- 1 hank hank 5.6K  9月  9 08:46 train_val.prototxt

如果你要下载其他的模型，比如alexnet，可以执行以下脚本：

$ sudo python ./scripts/download_model_binary.py ./models/bvlc_alexnet/

模型下载成功后，我们使用python语言来编写推理的程序，先把源码贴出来：

#coding = utf-8
import numpy as np
import sys, os

caffe_root = '/home/hank/Study/CV/caffe.git/'
sys.path.insert(0, caffe_root + 'python')

import caffe

os.chdir(caffe_root)

#caffe.set_device(0)
#caffe.set_mode_gpu()

net_file = caffe_root + 'models/bvlc_reference_caffenet/deploy.prototxt'
caffe_model = caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'
mean_file = caffe_root + 'python/caffe/imagenet/ilsvrc_2012_mean.npy'

# load model
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/cat.jpg')
net.blobs['data'].data[...] = transformer.preprocess('data',im)
out = net.forward()

print net.blobs['data'].data.shape
print net.blobs['data'].data.dtype
print net.blobs['prob'].data.shape
print net.blobs['prob'].data.dtype


imagenet_labels_filename = caffe_root + 'data/ilsvrc12/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]]

使用caffe源码里自带的一张cat照片进行推理（分类任务），最后输出的结果如下：

(1, 3, 227, 227)
float32
(1, 1000)
float32
281 n02123045 tabby, tabby cat
282 n02123159 tiger cat
285 n02124075 Egyptian cat
277 n02119022 red fox, Vulpes vulpes
287 n02127052 lynx, catamount