caffe测试模型分类结果并输出（python）

#coding=utf-8  
      
import os
import caffe  
import numpy as np  
root='/home/liuyun/caffe/'   #根目录  
deploy=root + 'examples/DR_grade/deploy.prototxt'    #deploy文件  
caffe_model=root + 'models/DR/model1/DRnet_iter_40000.caffemodel'  #训练好的 caffemodel  


import os
dir = root+'examples/DR_grade/test_512/'
filelist=[]
filenames = os.listdir(dir)
for fn in filenames:
   fullfilename = os.path.join(dir,fn)
   filelist.append(fullfilename)


# img=root+'data/DRIVE/test/60337.jpg'   #随机找的一张待测图片  

def Test(img):
     
    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()[4]  #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  
    #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/DR_grade/label.txt","a+")
    f.writelines(img+' '+labels[order]+'\n')

labels_filename = root +'examples/DR_grade/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)