caffe机器学习环境搭建及python接口编译参见我的上一篇博客：机器学习caffe环境搭建——redhat7.1和caffe的python接口编译

1.运行caffe图片分类器python接口

还是假设caffe的源码下载的路径为：/code,那么有这么个文件/code/caffe/python/classify.py，它是caffe团队提供的一个python实现的图片分类器的接口。运行该接口有两个必须参数，一个是你要操作的图片，另一个就是保存运行结果的文件。但是该接口需要简单修改才能运行，你不做任何修改的情况下运行的结果是这样的：

执行：

[root@localhost python]# python classify.py /root/Desktop/pic/banma.jpg result.npy #其中第一个参数是传入一张图片，第二个是计算结果的保存文件

运行结果是这样的，

均值有问题，/code/caffe/python/classify.py文件，第95行左右，修改如下，

[root@localhost python]# vim classify.py

修改之后执行是可以了，但是结果不会输出到屏幕上，而且结果的保存文件result.npy的内容也是不可读的，运行结果如下：

他只告诉说计算结果保存在result.npy(该文件也是在，/code/caffe/python/目录下),但是当你去读的时候发现是一堆乱码。于是，再次编辑/code/caffe/python/classify.py文件，把结果直接打印到屏幕上：

添加的内容就是两行####之间的内容。即：131~138行。修改之后再次运行：

[root@localhost python]# python classify.py /root/Desktop/pic/banma.jpg result.npy #其中第一个参数是传入一张图片，第二个是计算结果的保存文件

输出如下：

我传入的是一张斑马的图片，分类的结果是0.99501的概率是zebra,默认输出是概率最大的前五个，可以自定义。

2.运行caffe自带的例子web_demo

在目录/code/caffe/exampes下，有很多caffe给的例子，这里以web_demo下的例子为例，这个例子实现的是一个图片分类器的功能，比如你上传一张猫的图片，程序会给出整张图片是猫的可能性，或者是狗的可能性等等。

首先，通过阅读/code/caffe/exampes/web_demo/下的readme.me文件（建议都看一下该文件），可以知道需要先下载各种依赖，及需要的数据资源，如下：

[root@localhost ~]# cd /code/caffe

[root@localhost caffe]# pip install -r examples/web_demo/requirements.txt

[root@localhost caffe]# ./data/ilsvrc12/get_ilsvrc_aux.sh

[root@localhost caffe]# ./scripts/download_model_binary.py models/bvlc_reference_caffenet  #这个下载的最慢，40+分钟

全部下载完成后就可以运行了

[root@localhost ~]# python examples/web_demo/app.py

通过readme。md文件我们知道服务监听5000端口，打开浏览器输入：localhost：5000就会看到如下页面

可以看到caffe提供3种方法来验证该分类器，点击“Click for a Quick Example”,这个是caffe源码里自带的几张猫的图片，也可以添加一张图片的URL，甚至可以本地上传一张图片让caffe去识别，我上传一张斑马图片识别结果如下：

至此，对caffe有个基本的了解了，继续深入学习吧。