#coding=utf-8        import osimport caffe  import numpy as np  root=‘/home/liuyun/caffe/‘   #根目录  deploy=root + ‘models/bvlc_googlenet/deploy.prototxt‘    #模型对应的deploy文件  caffe_model=root + ‘models/CCC/C2/bvlc_googlenet_iter_10000.caffemodel‘  #训练好的 caffemodel  #＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃import osdir = root+‘examples/CCC/test/‘　　#测试数据路径filelist=[]　#用于存放完整路径以及文件名filenames = os.listdir(dir)　　#读入在某个目录下的所有文件for fn in filenames:   fullfilename = os.path.join(dir,fn)   filelist.append(fullfilename)　　#连接成完整路径

# img=root+‘data/DRIVE/test/60337.jpg‘ #随机找的一张待测图片 #＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃def Test(img):　#定义测试函数         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()[999]  #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  指的是在deploy文件中的类别数；    #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/CCC/label.txt","a+")    f.writelines(labels[order]+‘\n‘)　#将输出结果写入label.txt文件中

#＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃labels_filename = root +‘examples/CCC/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)