caffe
如果进行了均值计算，需要将mean.binaryproto转化为mean.npy
import caffe
import numpy as np
MEAN_PROTO_PATH = 'mean.binaryproto' # 待转换的pb格式图像均值文件路径
MEAN_NPY_PATH = 'mean.npy' # 转换后的numpy格式图像均值文件路径
blob = caffe.proto.caffe_pb2.BlobProto() # 创建protobuf blob
data = open(MEAN_PROTO_PATH, 'rb' ).read() # 读入mean.binaryproto文件内容
blob.ParseFromString(data) # 解析文件内容到blob
array = np.array(caffe.io.blobproto_to_array(blob))# 将blob中的均值转换成numpy格式，array的shape （mean_number，channel, hight, width）
mean_npy = array[0] # 一个array中可以有多组均值存在，故需要通过下标选择其中一组均值
np.save(MEAN_NPY_PATH ,mean_npy)
运用python调用已经训练好的模型，具体代码（如果需要计算均值，需与上述代码结合）如下：
#coding=utf-8
import caffe
import numpy as np
root=root='/home/dltest/caffe/' #根目录
deploy=root + 'examples/cifar10/cifar10_quick.prototxt' #deploy文件
caffe_model=root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel.h5' #训练好的 caffemodel
img=root+'examples/sgg_datas/images/1.jpg' #随机找的一张待测图片
labels_filename = root +'data/cifar10/batches.meta.txt' #类别名称文件，将数字标签转换回类别名称
net = caffe.Net(deploy,caffe_model,caffe.TEST) #加载model和network
#图片预处理设置
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) #设定图片的shape格式(1,3,28,28)
transformer.set_transpose('data', (2,0,1)) #改变维度的顺序，由原始图片(28,28,3)变为(3,28,28)
#transformer.set_mean('data', np.load(mean_file).mean(1).mean(1)) #减去均值，前面训练模型时没有减均值，这儿就不用
transformer.set_raw_scale('data', 255) # 缩放到【0，255】之间
transformer.set_channel_swap('data', (2,1,0)) #交换通道，将图片由RGB变为BGR
im=caffe.io.load_image(img) #加载图片
net.blobs['data'].data[...] = transformer.preprocess('data',im) #执行上面设置的图片预处理操作，并将图片载入到blob中
#执行测试
out = net.forward()
labels = np.loadtxt(labels_filename, str, delimiter='\t') #读取类别名称文件
prob= net.blobs['prob'].data[0].flatten() #取出最后一层（prob）属于某个类别的概率值，并打印
print prob
order=prob.argsort()[9] #将概率值排序，取出最大值所在的序号
#argsort()函数是从小到大排列
print 'the class is:',labels[order] #将该序号转换成对应的类别名称，并打印
http://blog.csdn.net/sinat_26917383/article/details/54141697 借鉴
find ./ -name '*.jpg' -exec convert -resize 600x480 {} {} \; 修改图像尺寸，加！可以强制修改
