本文记录了笔者探究caffe基于MNIST数据集训练出的LeNet的前向检测的计算，并使用numpy重新实现了这一计算过程，以加深从运算层面对卷积神经网络的理解。笔者实现的简单Python代码可以在https://github.com/LinkYe/LearnDeep获得。
首先需要caffe训练生成的模型文件，lenet_iter_10000.caffemodel，这可以按照caffe官方的文档基于MNIST数据集训练得到。将该模型文件复制到caffe-weights.py所在的目录，并执行该脚本，可读取caffemodel中的权重参数并存储为NPZ文件。在创建mnistLeNet对象时，会读取这个NPZ文件LeNet-Caffe.npz：
如上图，在读取权重时，会将第一层和第二层卷积核进行翻转（图中红色框），这是因为caffe中的卷积核已经是翻转过的；但scipy库提供的convolve2d的接口在进行二维卷积运算时，会再次进行翻转。随后，为mnistLeNet类增加了卷积的接口及池化的接口，最后就是前向检测的运算过程：
由上图可以较为清晰地看到输入的图片经过的四层的计算，最终返回一个有10个元素的向量。为了测试mnistLeNet的检测功能，需要进行以下操作：
我们通过Python Machine Learning一书中的Load_mnist()来读取MNIST测试数据（图中第4行），之后对预测的结果调用softmax来得到一个0到9的可信度列表，retv（图中第7行）。可以看到，预测结果最大可信度的对应值为9，这与图像对应的标签是相同的，那么可以在一定程度上认为我们实现的可LeNet前向检测计算结果是正确的。
接下来我们调用caffe的接口，对该图像进行前向检测运算：
可见，其预测的可信度列表与我们用mnistLeNet得到的可信度列表差别微小，因此可以认为为LeNet/caffe实现的前向检测运算是没有问题的。最后，可以执行predictImage.py对MNIST的一万个测试图进行预测，笔者得到的正确率达到99%以上。