此篇讲述在matlab中，如何将训练好的model用于图像分类。将以mnist为例，主要用到caffe-master\matlab\demo 下的classification_demo.m ，可参考我之前的博客【caffe-windows】 caffe-master 之 classfication_demo.m 超详细分析（/u011995719/article/details/54135189）
首先贴大神的博客：/zb1165048017/article/details/52447109
我的实验是参考了他的步骤，相比之前的mnist分类，这里增加了减均值操作，所以需要对配置文件做出相应的更改，同时也可以学习一下如何求取训练集的均值文件，以及减均值操作。
前期准备： 下载测试图片（链接：/s/1o7NySMu密码：bead 源自：/zb1165048017/article/details/52217772），放到文件夹caffe-master\matlab\demo 下
第一步： 算出均值，得到均值文件mean.binaryproto
在caffe-master\examples\mnist下创建 文本文档，后缀更改为 .bat 复制以下code:
..\..\Build\x64\Release\compute_image_mean.exe-backend=lmdb ../../examples\mnist\mnist_train_lmdb mean.binaryproto
Pause
如图：
双击运行，则在caffe-master\examples\mnist下会得到 mean.binaryproto
(PS: 至于mnist数据获取此处不再重复，请参照我之前的博客：/u011995719/article/details/54023085)
需要注意的是，当将mnist数据转换成leveldb的时候，需要对应的更改以上code（imdb改为leveldb）
第二步：训练model ，需要改动3个文件lenet.prototxt 、lenet_solver.prototxt、lenet_train_test.prototxt
因为要做减均值操作，所以要对lenet_solver.prototxt和lenet_train_test.prototxt进行更改，为了避免和之前的冲突，这里复制了一份，然后分别重命名为lenet_solver_mean.prototxt 和lenet_train_test_mean.prototxt
lenet_solver_mean.prototxt较lenet_solver.prototxt更改处如下：
net:"../../examples/mnist/lenet_train_test_mean.prototxt"
如图：
lenet_train_test_mean.prototxt较lenet_train_test.prototxt 更改处如下：
phase: TRAIN
}
transform_param {
mean_file:"../../examples/mnist/mean.binaryproto"
scale: 0.00390625
}
phase: TEST
}
transform_param {
mean_file:"../../examples/mnist/mean.binaryproto"
scale: 0.00390625
}
如图：
请注意自己数据的格式，是LMDB还是LEVELDB 。
最后更改lenet.prototxt，更改处如下：
input_param { shape: { dim:1 dim: 1 dim: 28 dim: 28 } }
这里存在一个问题就是为什么是64，是bug？还是什么？ 没搞没明白
更改好了以上三个文件，就可以在caffe-master\examples\mnist下创建 .bat 文件训练了，具体如图：
训练好之后会有lenet_iter_10000.caffemodel，这个就是后面在matlab里要用到的模型了
第三步：创建标签文件 mnist_synset_words.txt
在caffe-master\matlab\demo下创建文本文档复制以下代码：
0
1
2
3
4
5
6
7
8
9
保存，为了区别不同的标签文件，此处更改了文件名为mnist_synset_words，因此在后面的matlab程序中读取时候需要做相应更改
如图：
第四步：编辑两个matlab文件，一个是classification_demo.m的修改，一个是调用classification_demo的主函数
在caffe-master\matlab\demo下创建m文件，保存为mnist_test.m 具体code如下：
clear
clc
close all
im=imread(['binarybmp/5.bmp']); % 读取图片
figure;imshow(im); %显示图片
[scores, maxlabel] = mnist_CF(im', 1); %获取得分 第二个参数0为CPU，1为GPU
scores ;
maxlabel ;
figure;plot(scores); % 画出得分情况
axis([0, 10, -0.1, 0.5]); % 坐标轴范围
grid on % 有网格
fid = fopen('mnist_synset_words.txt', 'r');
i=0;
while ~feof(fid) % while ~feof 表示 若 未读到文件末尾 则 继续 循环
i=i+1;
lin = fgetl(fid); % fgetl 从已经打开的文件中读取一行，并且丢掉末尾的换行符
lin = strtrim(lin); % strtrim 从字符串或cell开头去掉空格
if(i==maxlabel)
fprintf('The maxlabel of %d in label txt is %s\n',i,lin)
break
end
end
在caffe-master\matlab\demo下创建m文件，保存为mnist_CF.m
具体code如下：
function [scores, maxlabel] = mnist_CF(im, use_gpu)
%此处为添加路径，确保能找到caffe-master\matlab\+caffe
if exist('../+caffe', 'dir')
addpath('../..');
else
error('Please run this demo from caffe/matlab/demo');
end
% 设置CPU or GPU
if exist('use_gpu', 'var') && use_gpu
caffe.set_mode_gpu();
gpu_id = 0; % we will use the first gpu in this demo
caffe.set_device(gpu_id);
else
caffe.set_mode_cpu();
end
model_dir = '../../examples/mnist/';
net_model = [model_dir 'lenet.prototxt'];
net_weights = [model_dir 'lenet_iter_10000.caffemodel'];
phase = 'test'; % 指出网络状态为test，防止使用dropout
if ~exist(net_weights, 'file')% 检测模型是否存在，不存在则报错提醒
error('Please download CaffeNet from Model Zoo before you run this demo');
end
net = (net_model, net_weights, phase); % 初始化网络
% oversample
mean_data = caffe.io.read_mean('../../examples/mnist/mean.binaryproto'); %
scale = 0.00390625;
im = double(im);
im = (im-mean_data)*scale;
input_data = {im};
scores = net.forward(input_data); %将数据输入到网络，进行前向传播，得出分数，scores是一个细胞元组
scores = scores{1};% scores 是 1000*10 的矩阵 10是对应了10个crop图片
scores = mean(scores, 2); %对10个crop进行求平均
[~, maxlabel] = max(scores); % 再找出最大的那一个
% 重置 caffe
caffe.reset_all();
第五步 : 运行mnist_test.m即可
PS：很容易出现路径不正确的问题，出错先看看是否路径不正确。其次就是这里我更改了好多文件名，所以相应的文件里面也要做修改，最好用ctrl+c ctrl+v的方法，免得书写错误。
