net.params['layername'][0].data #访问权重参数（num_filter,channel,weight,high

net.params['layername'][1].data  #访问bias，格式是（biase,）

net.blobs['layername'].data.shape  #得到输入图片的大小

net.blobs['layername'].data.reshape(0,3,227,227)  #改变图片大小（batch——number,channel,image_size,image_size） 只有最开始的时候第二位是channel，之后的图片数据第二位是feature_map的个数
#net.blobs['layername'].data[0,:36] 表示batch_size里的第一个图片卷积层后的featuresmap图像中的前36幅feature map图像

#第i次循环体的内部

#layer_name提取的是net的第i层的名称

#blob提取的是第i层的输出数据（4d）

for layer_name, blob in net.blobs.iteritems():

    print layer_name + '\t' + str(blob.data.shape)

#第i次循环体的内部

#layer_name提取的是第i层的名字

#params提取的是第i层的参数

for layer_name, param in net.params.iteritems():

    print layer_name + '\t' + str(param[0].data.shape, str(param[1].data.shape)

def func(data):

    #输入数据为一个ndarray,尺寸可以为（batch_size,height,width）或（batch_size,height,width,channel）

    #前者是batch_size个灰度图像的数据，后者是batch_size个rgb图像的数据

    #在一个sqrt（n） by sqrt(n) 的格子中，显示没一幅图像

    #对图像进行normlization

    data = （data-data.min()）/(data.max()-data.min())

    #强制性的使输入的图像个数为平方数，不足平方的时候，手动添加几幅图

    n = int(np.ceil(np.sqrt(data.shape(0))))

    #每一幅小图像之间加入空隙

    padding(((0,n**2-data.shape[0]),(0,1),(0,1)) + ((0,0),)*(data.ndim-3))

    data = np.pad(data,padding,mode='constant',constant_values=1)  #pad with ones (white)

    #将所有输入的data图像平复在一个nadarray_data中

    data = data.reshape((n,n),data.shape[1:]).transpose(0,2,1,3) + tuple(range(4,data.ndim + 1))

    #data的一个小例子（3,120,120）

    data = data.reshape((n * data.shape[1], n * data.shape[3]) + data.shape[4:])

    # 显示data所对应的图像

    plt.imshow(data); plt.axis('off')

 import numpy as np

 import sys,os

 # 设置当前的工作环境在caffe下

 caffe_root = '/home/xxx/caffe/'

 # 我们也把caffe/python也添加到当前环境

 sys.path.insert(0, caffe_root + 'python')

 import caffe

 os.chdir(caffe_root)#更换工作目录

 # 设置网络结构

 net_file=caffe_root + 'models/bvlc_reference_caffenet/deploy.prototxt'

 # 添加训练之后的参数

 caffe_model=caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'

 # 均值文件

 mean_file=caffe_root + 'python/caffe/imagenet/ilsvrc_2012_mean.npy'

 # 这里对任何一个程序都是通用的，就是处理图片

 # 把上面添加的两个变量都作为参数构造一个Net

 net = caffe.Net(net_file,caffe_model,caffe.TEST)

 # 得到data的形状，这里的图片是默认matplotlib底层加载的

 transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})

 # matplotlib加载的image是像素[0-1],图片的数据格式[weight,high,channels]，RGB

 # caffe加载的图片需要的是[0-255]像素，数据格式[channels,weight,high],BGR，那么就需要转换

 # channel 放到前面

 transformer.set_transpose('data', (2,0,1))

 transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))

 # 图片像素放大到[0-255]

 transformer.set_raw_scale('data', 255)

 # RGB-->BGR 转换

 transformer.set_channel_swap('data', (2,1,0))

 # 这里才是加载图片

 im=caffe.io.load_image(caffe_root+'examples/images/cat.jpg')

 # 用上面的transformer.preprocess来处理刚刚加载图片

 net.blobs['data'].data[...] = transformer.preprocess('data',im)

 #注意,网络开始向前传播啦

 out = net.forward()

 # 最终的结果: 当前这个图片的属于哪个物体的概率(列表表示)

 output_prob = out['prob']

 # 找出最大的那个概率

 print 'predicted class is:', output_prob.argmax()

 # 也可以找出前五名的概率

 top_inds = output_prob.argsort()[::-1][:5]

 print 'probabilities and labels:'

 zip(output_prob[top_inds], labels[top_inds])

 # 最后加载数据集进行验证

 imagenet_labels_filename = caffe_root + 'data/ilsvrc12/synset_words.txt'

 labels = np.loadtxt(imagenet_labels_filename, str, delimiter='\t')

 top_k = net.blobs['prob'].data[0].flatten().argsort()[-1:-6:-1]

 for i in np.arange(top_k.size):

     print top_k[i], labels[top_k[i]]

import os

import numpy as np

import os

import matplotlib.pyplot as plt

import matplotlib.patches as  mpatches

%matplotlib inline

# 设置默认的属性：用于在ipython中显示图片

plt.rcParams['figure.figsize'] = (10, 10)

plt.rcParams['image.interpolation'] = 'nearest'

plt.rcParams['image.cmap'] = 'gray'

from math import pow

from skimage import transform as tf 

caffe_root='/opt/modules/caffe-master/'

sys.insert.path(0,caffe_root+'python')

caffe_modelcaffe=caffe_root+''

caffe_deploy=caffe_root+''

caffe.set_mode_cpu()

net=caffe.Net(caffe_deploy,caffe_modelcaffe,caffe.TEST)

transform=caffe.io.Transformer({'data':net.blobs['data'].data.shape})

transform.set_transpose('data',(2,0,1))

transform.set_raw_scale('data',255)

transform.set_channel_swap('data',(2,1,0))

#把加载到的图片缩放到固定的大小

net.blobs['data'].reshape(1,2,227,227)

image=caffe.io.load_image('/opt/data/person/1.jpg')

transformed_image=transform.preprocess('data',image)

plt.inshow(image)

# 把警告过transform.preprocess处理过的图片加载到内存

net.blobs['data'].data[...]=transformed_image

output=net.forward()

#因为这里仅仅测试了一张图片

#output_pro的shape中有对于1000个object相似的概率

output_pro=output['prob'][0]

#从候选的区域中找出最有可能的那个object的索引

output_pro_max_index=output_pro.argmax()

labels_file = caffe_root + '.../synset_words.txt'

if not os.path.exists(labels_file):

    print "in the direct without this synset_words.txt "

    return

labels=np.loadtxt(labels_file,str,delimiter='\t')

# 从对应的索引文件中找到最终的预测结果

outpur_label=labels[output_pro_max_index]

# 也可以找到排名前五的预测结果

top_five_index=output_pro.argsort()[::-1][:5]

print 'probabilities and labels:'

zip(output_pro[top_five_index],labels[top_five_index])