第一种方法是测试批量图片，使用caffe.bin即可，首先要做的是把你的jpg图片转换为LMDB的格式，如何转换呢？用/build/tools/convert_image --resize_width 227 --resize_height 227 图片所在的目录 class.txt LMDB文件生成的目录（注意是目录）即可，这里class.txt是我自己生成的，内容是每个图片的路径。

　　得到相应的LMDB目录以后，把这个路径填入到prototxt的test layer中的source中，修改一下batch_size的大小，然后执行命令./build/tools/caffe.bin test -model 你的网络prototxt -weights 你的caffemodel -iterations 100 （迭代一百次）；

 

　　第二种方法是使用classfication，这个是针对一幅图做分类的。这个网上百分之99的都是直接用bvlc这个model来测试的，那里面什么东西都给好了，实在是没有任何的借鉴的意义，最近我在复现一篇论文的工作，它里面调用的是googlenet，用classification的话就需要自己修改一下东西。

　　首先是deploy.prototxt文件，我的prototext是训练和测试的，所以你要用来预测图片，需要自己做修改，最简单的方法是吧input的layer都删除了，换成：

layer {
name: "data"
type: "Input"
top: "data"
input_param
{ shape: { dim:1 dim: 3 dim: 227 dim: 227 }}}

 　　　　第一个维度是图片数，第二个是通道数，后面的是图片的长宽，然后对于googlenet，他的输出是三个...所以我就强行把前两个输出删除了，这里因为还没有读过相 　　关的paper，不太清楚为什么要三个输出，这几天有时间准备把paper读一下，搞定这个以后，要确定你的caffe编译了opencv，这样它就不会报错说没有input了。