测试python代码

#!/usr/bin/env python #coding=utf-8   #加载必要的库   import numpy as np   import sys,os   #设置当前目录   caffe_root = '/home/cjj/caffe/'     sys.path.insert(0, caffe_root + 'python')   import caffe   os.chdir(caffe_root)   #net_file=caffe_root + 'examples/myimagenet/train_alexnet.prototxt'   net_file=caffe_root + 'models/bvlc_reference_caffenet/deploy.prototxt'      #必须用自带网络文件 caffe_model=caffe_root + 'examples/myimagenet/myimagenet_train_alexnet_iter_200.caffemodel'   mean_file=caffe_root + 'python/caffe/imagenet/ilsvrc_2012_mean.npy'      #必须用自带均值文件 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/510.jpg')   net.blobs['data'].data[...] = transformer.preprocess('data',im)   out = net.forward()   imagenet_labels_filename = caffe_root + 'data/ilsvrc12/type.txt'   labels = np.loadtxt(imagenet_labels_filename, str, delimiter='\t')   top_k = net.blobs['prob'].data[0].flatten().argsort()[-1:-3:-1]       #prob最后一层网络  -1.-3设置显示出的种类数，-1表示倒序 for i in np.arange(top_k.size):  

 print top_k[i], labels[top_k[i]] 

#coding=utf-8          import os import caffe  import numpy as np  root = '/home/liuyun/caffe/'   #根目录  deploy = root + 'examples/DR_grade/deploy.prototxt'    #deploy文件  caffe_model = root + 'models/DR/model1/DRnet_iter_40000.caffemodel'  #训练好的 caffemodel      import os dir = root + 'examples/DR_grade/test_512/' filelist = [] filenames = os.listdir( dir ) for fn in filenames:     fullfilename = os.path.join( dir ,fn)     filelist.append(fullfilename)     # img=root+'data/DRIVE/test/60337.jpg'   #随机找的一张待测图片    def Test(img):             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,'prob'为最后一层的名称      print prob       order = prob.argsort()[ 4 ]  #将概率值排序，取出最大值所在的序号 ,9指的是分为0-9十类       #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       f = file ( "/home/liuyun/caffe/examples/DR_grade/label.txt" , "a+" )      f.writelines(img + ' ' + labels[order] + '\n' )   labels_filename = root + 'examples/DR_grade/DR.txt'    #类别名称文件，将数字标签转换回类别名称    for i in range ( 0 , len (filelist)):      img = filelist[i]      Test(img)