本文記錄了筆者探究caffe基於MNIST數據集訓練出的LeNet的前向檢測的計算，並使用numpy重新實現了這一計算過程，以加深從運算層面對卷積神經網絡的理解。筆者實現的簡單Python代碼可以在https://github.com/LinkYe/LearnDeep獲得。
首先需要caffe訓練生成的模型文件，lenet_iter_10000.caffemodel，這可以按照caffe官方的文檔基於MNIST數據集訓練得到。將該模型文件複製到caffe-weights.py所在的目錄，並執行該腳本，可讀取caffemodel中的權重參數並存儲爲NPZ文件。在創建mnistLeNet對象時，會讀取這個NPZ文件LeNet-Caffe.npz：
如上圖，在讀取權重時，會將第一層和第二層卷積核進行翻轉（圖中紅色框），這是因爲caffe中的卷積核已經是翻轉過的；但scipy庫提供的convolve2d的接口在進行二維卷積運算時，會再次進行翻轉。隨後，爲mnistLeNet類增加了卷積的接口及池化的接口，最後就是前向檢測的運算過程：
由上圖可以較爲清晰地看到輸入的圖片經過的四層的計算，最終返回一個有10個元素的向量。爲了測試mnistLeNet的檢測功能，需要進行以下操作：
我們通過Python Machine Learning一書中的Load_mnist()來讀取MNIST測試數據（圖中第4行），之後對預測的結果調用softmax來得到一個0到9的可信度列表，retv（圖中第7行）。可以看到，預測結果最大可信度的對應值爲9，這與圖像對應的標籤是相同的，那麼可以在一定程度上認爲我們實現的可LeNet前向檢測計算結果是正確的。
接下來我們調用caffe的接口，對該圖像進行前向檢測運算：
可見，其預測的可信度列表與我們用mnistLeNet得到的可信度列表差別微小，因此可以認爲爲LeNet/caffe實現的前向檢測運算是沒有問題的。最後，可以執行predictImage.py對MNIST的一萬個測試圖進行預測，筆者得到的正確率達到99%以上。