用自己训练好的caffemodel来对自己的图片做分类

首先是deploy.prototxt文件的生成，deploy.prototxt和train_val.prototxt文件类似，只是头尾有些区别而已。没有了第一层的数据层，也没有最后的accuracy层（用于反向传播），但最后多了一个Softmax概率层（Softmax直接计算前向的概率），所以deploy文件没有了反向传播部分。

一般不推荐用代码来生成，熟悉train_val.prototxt的可以将其复制一份进行相应的修改。

删除原有train_val.prototxt中开始用于训练的两个数据层，因为利用模型分类将不再需要用到标签数据：

为了使网络能够接受输入数据，添加如下的一个数据层（注意这里第三第四个dim和原有数据层的crop_size大小要一致）：

删除train_val.prototxt中的Accuracy层：

为了使网络能够输出正确的分类结果，将train_val.prototxt中原有的loss层改成Softmax，并把名字和输出改为prob：

编写好deploy文件后，就可以利用它还有我们训练好的caffemodel进行预测啦！

首先，导入各种库：

接着，设置caffe路径，并切换到CPU模式：

添加deploy和caffemodel的路径，以及很关键的均值文件ilsvrc_2012_mean.npy（这个是caffe自带的，所以这里的路径可以不用改），之后载入图片（这里需要注意的是caffe.io.load_image()载入图片文件时，内部已经除以255了，返回值是0到1之间的浮点数）：

接下来就可以直接加载model和network，并设置图片的预处理操作，最后对输入图片执行预处理操作，载入到blob中：

最后进行测试，测试结果如下（需要注意的是net.forward()返回的是字典，需要用prediction['prob']才能输出正确的分类标签）：

后期为了对文件夹里面的数据进行分类，将整个预测框架封装成一个函数，对文件夹图片进行遍历预测，根据预测结果将图片分到不同文件夹：

 注意上面的 im = Image.fromarray((image * 255).astype(np.uint8))，因为caffe.io.load_image返回的image是[0,1]之间的浮点数，为了调用image.save()将图片保存至相应路径，需要先经过类型转换。先将image*255，再将图片转换成uint8格式的数据，最后利用fromarray将数组数据转换成image类型的数据，才可以调用image.save()保存。