这个博客系列，简单来说，今天我们就是要研究https://docs.opencv.org/master/examples.html下的
6个文件，看看在最新的OpenCV中，它们是如何发挥作用的。在配置使用的过程中，需要注意使用较高版本的VS避免编译器兼容问题；由于DNN程序的运行依赖于训练成功的模型，因此需要预先下载准备；此外如果出现各种报错，需要对症下药。此外，由于需要使用common.hpp文件，所以需要引入dnn目录到include中
用到的数据集都放在：链接：https://pan.baidu.com/s/1WPoXU3VodErPHZo6Yc21xA 提取码：01no 如果你没找到，那一定是我忘了。=====================================================================================友善的分割线============================注意，这个例子是有官方文档的https://docs.opencv.org/master/d5/de7/tutorial_dnn_googlenet.html
它推荐的调用的模式为：./example_dnn_classification --model=bvlc_googlenet.caffemodel --config=bvlc_googlenet.prototxt --width=224 --height=224 --classes=classification_classes_ILSVRC2012.txt --input=space_shuttle.jpg --mean="104 117 123"
从参数中，我们可以看出，这里的模型为caffemodel，模型的参数配置为prototxt,而classification_classes_ILSVRC2012.txt应该是和训练类型相关的，它长这样：
按照文档中说明，打开参数配置
在当前项目属性页->调试->命令参数下面：--model=e:/template/bvlc_googlenet.caffemodel --config=e:/template/bvlc_googlenet.prototxt --width=224 --height=224 --classes=e:/template/classification_classes_ILSVRC2012.txt --input=E:/template/dogvscat1K/cat.1.jpg --mean="104 117 123" --rgb
识别的结果，肯定是没有问题的。我没看看tabby cat这个来自哪里？
就来自上面的分类文件。
肯定是有正确的也会有失败的。我相信随着模型的不断完善，特别是对特定领域内数据的专门训练，肯定在判断的结果上能够有提升的方法。仅仅凭借几张照片还看不出结果，必须依据科学的方法来做。
代码中mean subtraction (-104, -117, -123) for each blue, green and red channels 这句可能和项目本身是有关系的，这里先不做追究。
来自为知笔记(Wiz)
