Python Caffe：尽可能简单地从快照预测图像

有没有办法轻松地使用Caffe快照来预测新图像

我所说的“容易”是指：

不得手动将

train.prototxt

更改为

deploy.prototxt

无需将文件转换为LMDB（或其他类似格式），只需使用简单的图像文件（无任何文件名列表或内容）

仅使用python代码（不使用CLI）

我已经基于Caffe MNIST示例训练了一个二进制分类网络。我将MNIST改为用于分类2个类，它训练得非常好。但现在，我已经完成了网络培训并生成了快照（包含“Snapshot.caffemodel”和“solver.caffemodel”），我一直在研究如何使用此快照预测一幅图像，而不需要所有的麻烦

我当前的代码是（如果我能做这么简单的预测，我真的更喜欢）：

我得到了这个错误：

File "C:\Anaconda2\lib\site-packages\caffe\classifier.py", line 29, in __init__ in_ = self.inputs[0]
IndexError: list index out of range

搜索之后，我发现我不应该使用“train.prototxt”，而应该使用“deploy.prototxt”

Caffe目前处理事情的方式有时似乎过于复杂，特别是对于一些琐碎的任务，如使用快照预测图像。。。 也许我做错了…

您确实需要手动将

train\u val.prototxt

更改为

deploy.protoxt

然而，这种改变比你想象的要容易

将

train_val.prototxt

复制到新的

deploy.prototxt

并按照以下步骤编辑

deploy.prototxt

：

第一个变化：输入。 您需要告诉caffe为稍后手动提供的图像分配内存，而不是使用培训/验证数据集（通常表示为

“数据”

/

“HDF5Data”

/

“图像数据”

层）。
为此，您需要删除现有的输入层（用于训练和测试阶段），并将其替换为：

layer {
  name: "input"
  type: "Input"
  top: "data"  # or whatever was the name of the "top" of the training input. no need for "label" top - you do not have ground truth labels in test.
  input_param { shape: { dim: 1 dim: 3 dim: 100 dim: 100 } } # give caffe the expected dimensions of your input for memory allocation
}

第二个变化：净产出。 在培训过程中，您的净输出是损失，而不是预测。
因此，首先删除所有损失层（特别是希望将

标记为“底部”的任何层）。这包括
“SoftmaxWithLoss”
/
“准确性”
/
“SigmoidCrossEntropyLoss”
等。

您需要用适当的预测层替换损耗层。例如，
“SoftmaxWithLoss”
层应替换为简单的
“Softmax”
层，
“SigmoidCrossEntropy”
层应替换为
“Sigmoid”
层等等。

因此，如果你有

layer {
  type: "SoftmaxWithLoss"
  name: "loss"
  bottom: "fc8"  # we need this name !
  bottom: "label"
  ...
}

替换为：

layer {
  name: "prob"
  type: "Softmax"
  bottom: "fc8" # the SAME as the train loss layer!
  top: "prob"
}

保存更改，现在您就有了一个正确的
deploy.prototxt

有关更多信息，请参阅帖子。
谢谢您的回答。。。我还没有尝试过，但我最终会尝试，并将发生的事情发布在这里。。。祝你好运。。。
layer {
  name: "prob"
  type: "Softmax"
  bottom: "fc8" # the SAME as the train loss layer!
  top: "prob"
}