前言
针对上一个caffe文章留下的matlab手写数字识别的问题，感谢caffe中文社区的 @ghgzh 的提示，原文请看：caffe中文社区
第一步
手写图片的制作方法我就不说了，直接把我自己画的几个数字放到云盘先：
三通道图像以及转换所需代码：链接：http://pan.baidu.com/s/1gfqeCAR 密码：88kk
转换后的灰度图像：链接：http://pan.baidu.com/s/1eSyohsY 密码：zwum
【注意】如果你的手写数字是黑字白底，最好反转成白字黑底，毕竟mnist的数据集就是白字黑底
第二步
创建标签，从零开始，synset_words.txt如下：
0
1
2
3
4
5
6
7
8
9第三步
书写调用classfication demo的test文件：
【重点】上一篇文章所留问题就是在这里解决的，在图片输入网络之前也就是net.forwarad之前，必须经过转置，原理未知，目前是感觉跟matlab和opencv读取图片的方法有关，使用caffe.io.loadimage读取是按照BGR读取，并且进行了旋转，所以使用matlab时候必须进行同等处理，详细原因在后面分析代码再说~~~
clear
clc
close all
im=imread('./binarybmp/5.bmp');
figure;imshow(im);%显示图片
[scores, maxlabel] = classification_demo(im', 0);%获取得分第二个参数0为CPU，1为GPU
scores
maxlabelfigure;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('synset_words.txt', 'r');
i=0;
while ~feof(fid)i=i+1;lin = fgetl(fid);lin = strtrim(lin);if(i==maxlabel)fprintf('the maxlabel of %d in label txt is %s\n',i,lin)breakend
end第四步
修改classification_demo如下：
function [scores, maxlabel] = classification_demo(im, use_gpu)if exist('../../+caffe', 'dir')addpath('../..');
elseerror('Please run this demo from caffe/matlab/demo');
end% Set caffe mode
if exist('use_gpu', 'var') && use_gpucaffe.set_mode_gpu();gpu_id = 0; % we will use the first gpu in this democaffe.set_device(gpu_id);
elsecaffe.set_mode_cpu();
end% Initialize the network using BVLC CaffeNet for image classification
% Weights (parameter) file needs to be downloaded from Model Zoo.
model_dir = '../../../examples/mnist/';
net_model = [model_dir 'lenet.prototxt'];
net_weights = [model_dir 'lenet_iter_10000.caffemodel'];
phase = 'test'; % run with phase test (so that dropout isn't applied)
if ~exist(net_weights, 'file')error('Please download CaffeNet from Model Zoo before you run this demo');
end% Initialize a network
net = caffe.Net(net_model, net_weights, phase);
% prepare oversampled input
% input_data is Height x Width x Channel x Num
tic;mean_data = caffe.io.read_mean('../../../examples/mnist/mean.binaryproto');scale=0.00390625;im=double(im);im=(im-mean_data)*scale;input_data = {im};
toc;% do forward pass to get scores
% scores are now Channels x Num, where Channels == 1000
tic;
% The net forward function. It takes in a cell array of N-D arrays
% (where N == 4 here) containing data of input blob(s) and outputs a cell
% array containing data from output blob(s)
scores = net.forward(input_data);
toc;scores = scores{1};
scores = mean(scores, 2); % take average scores over 10 crops[~, maxlabel] = max(scores);% call caffe.reset_all() to reset caffe
caffe.reset_all();①模型文件：调用的模型依旧是要注意deploy.prototxt与train_test .prototxt的区别，在mnist实例中，deploy.prototxt就是lenet.prototxt，后者就是lenet_train_test.prototxt，它俩分别是前者在识别期间调用，一个是在训练及测试阶段调用。区别在于，deploy文件前两层并无指定输入数据和测试数据的层，最后一层中deploy使用的softmax的“pro”，输出的是可能标签的概率，而train_test使用的是softmax的“loss”，用于指示每次训练的损失。
②去掉了在cat 的那个classification_demo中的图片预处理中需要进行crops_data处理对图片进行分块的部分。在手写数字中的预处理，处理在第三步中比较重要的一步图像转置外，在classification_demo中需要进行零均值以及缩放两步骤。(注，按照上一篇的训练文件，我们已经更改了预处理步骤，添加了均值计算这一过程，在lenet_train_test1第一二层的 transform_param中可以看到)
这里附带一下我的deploy和train_test文件
deploy.prototxt文件：链接：http://pan.baidu.com/s/1pLPGf03 密码：cqjy
train_test.prototxt文件:链接：http://pan.baidu.com/s/1kVM03DP 密码：l83w
第五步
差不多结束了，运行程序吧。我的测试结果如下：
