caffe web demo学习
1、运行
安装好caffe后，进入/opt/caffe/examples/web_demo/的caffe web demo项目目录，查看一下app.py文件，这是一个flask编写的网站
查看readme.md了解该项目，查看requirements.txt了解所需的python包
然后运行该项目：python app.py，发现报错
class_labels_file is missing
网上说还需要下载一些data，运行下面两条命令：
确保已经下载了 Reference CaffeNet Model 和 the ImageNet Auxiliary Data:
python opt/caffe/scripts/download_model_binary.py models/bvlc_reference_caffenet
opt/caffe/data/ilsvrc12/get_ilsvrc_aux.sh
然后再运行该项目：python app.py
在127.0.0.1:5000查看
2、app.py源码分析
这个web demo使用了在ilsvrc2012比赛的数据集上训练得到的模型。
模型已经预先训练好，并给出了模型的网络结构文件deploy.prototxt，训练好的模型文件bvlc_reference_caffenet.caffemodel，训练数据的均值文件ilsvrc_2012_mean.npy（需要它是因为需要对测试数据去均值），标签序号与标签内容的对应文件synset_words.txt，与原始数据集结构有关的imagenet.bet.pickle
其中网络结构文件、训练好的模型文件、均值文件会被输入到caffe.Classifier里用来构造分类器，标签序号与标签内容文件用来在网页上给显示结果。
1）index函数
2）classify_url函数
读取url，urllib.urlopen().read()打开url并读取出二进制字节流（python3中为urllib.request.urlopen().read()），caffe.io.load_image()转换为caffe能接受的格式，输出日志，调用classify_image识别图片，将识别结果和imageurl渲染回html显示给用户
3）classify_upload函数
获取上传的图片，在文件名前插入时间以区分不同文件，将文件保存到服务器，输出日志，调用classify_image识别图片，将识别结果和图片（以base64编码的形式）渲染回html显示给用户
4）embed_image_html函数
为3）服务，读取文件返回base64编码
5）allowed_file函数
检查文件后缀名是否在可接受的类型中（这个函数在app.py中并没有被调用，不知道为什么）
6）ImagenetClassifier内部类
定义了5个默认参数：模型的网络结构文件deploy.prototxt，训练好的模型文件bvlc_reference_caffenet.caffemodel，训练数据的均值文件ilsvrc_2012_mean.npy（需要它是因为需要对测试数据去均值），标签序号与标签内容的对应文件synset_words.txt，与原始数据集结构有关的imagenet.bet.pickle
for循环验证了这些文件存不存在，不存在的话报错（安装过程中的报错就是这里抛出的）
定义了2个默认参数，image_dim表示？？？，raw_scale表示？？？
初始化指定识别使用cpu还是gpu
初始化分类器：caffe.Classifier，接收上面定义的模型的网络结构文件deploy.prototxt，训练好的模型文件bvlc_reference_caffenet.caffemodel，训练数据的均值文件ilsvrc_2012_mean.npy（需要它是因为需要对测试数据去均值）三个参数
。。。。。。。
在7）中
app.clf = ImagenetClassifier(**ImagenetClassifier.default_args)
app.clf.net.forward()
两句代码执行完之后，我们实际上就创建并训练好我们的分类器了。
然后我们调用net.predict函数，将caffe.io.load_image得到的图片传进去，就可以进行识别，并返回一个numpy.ndarray类型的最后一层（输出层）的结果。
net.predict完之后，识别的中间结果也已经存在app.clf.net中了，只需要调用net.blobs['layer名'].data就可以获取到numpy.ndarray类型的中间结果了。
predict时的oversample表示过取样，默认为true
ndarray.shape可以获取ndarray数组的形状，更多源于numpy.ndarray数组的信息见这篇https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.html
ndarray.flatten表示把ndarray多维数组展开成一维ndarray数组，见这篇https://docs.scipy.org/doc/numpy-1.13.0/reference/generated/numpy.ndarray.flatten.html
ndarray数组前面加负号表示对每个元素取负值
ndarray.argsort不改变原数组，并返回原数组值从小到大的索引值，示例如下，或见这篇http://blog.csdn.net/maoersong/article/details/21875705
>>> x = np.array([3, 1, 2])
>>> np.argsort(x)
array([1, 2, 0])
个人通过加了如下几行代码看了一下这个模型各层结果的格式：（在使用logging.info的过程中注意，logging.info的输出要通过%s来占位，不同于print可直接输出）
# add by zss
# logging.info('classifier.predict.faltten:%s',list(scores))
# logging.info('classifier.predict:%s',list(self.net.predict([image],oversample=True)))
logging.info('########################:%s',list(self.net.blobs['fc8'].data[1]))
如下：
predict函数返回的最后一层（prob层）的结果格式为1*1000的概率数组（值在0-1之间）
‘fc8’层的结果，格式为10*1000的概率数组（值在0-1之间）
分析：
prob层和fc8层的结果对应着1000个标签，含义是该图片是该标签的概率。
fc8层有10个长度1000的数组是因为我们在定义模型（caffe.Classifier()）时，对oversample选项采用了默认值true，开启了过取样，相当于将每张图片经过旋转和镜像对称变成了10张相同的图片，所以fc8层有10个结果，然后prob层将这10个结果综合得到了最终结果1*1000的概率数组），关于oversample过取样见这篇http://blog.csdn.net/guoyilin/article/details/42886365
‘fc7’层的结果，格式为10*4096的foat数组（值可能大于1），形如下图
分析：
fc7层的结果对应着输入的那一张图片，经过过取样后的10张图片，各自的4096个特征的值
7）start_tornado函数
为8）服务，启动flask服务器
不太明白，为什么要用tornado的函数启动flask服务器？
8）start_from_terminal函数
为9）服务，使用optparse定义了一些参数debug，port，gpu，用来控制debug模式是否打开，flask运行的端口，gpu模式还是cpu模式，运行flask的端口号，然后调用7）启动flask服务器
9）命令行启动
设置log级别，创建用来存储用户上传的图片的临时文件夹，调用8）
