本文详细介绍了如何使用Caffe进行图片训练和分类。首先确保Caffe正确安装，接着转换数据集为leveldb格式。利用create_imagenet.sh脚本处理数据，创建meanfile。然后，配置并训练模型，如修改lenet系列文件以适应自己的数据集。最后，通过pythonwrapper和meanfile对模型进行分类，参照classify.py和classifymap.py进行结果解析。
step 1. 首先，确保caffe已经正确安装，并且make runtest基本通过。
step 2. 准备训练集：
在训练之前，要准备训练需要的训练集，为了验证训练的效果，最好也准备一定数量的测试集。由于caffe的数据集的输入是leveldb格式，因此在训练前需要将输入转为相应格式。
在caffe_root/example 文件夹中，提供了一些例子，cifar10与imagenet均是将图片形式数据库转换为leveldb格式，mnist则是将其本身的数据集转换为leveldb格式。这就要求我们需要把自己的数据集转换成leveldb格式，需要自己编写程序实现。下面以jpg格式图片为例说明。
在此，假设数据库本身是以图片形式给出，并且给出了label或者同一类别的图片已经分类。这样我们就可以通过imagenet例子中给出的create_imagenet.sh 对我们自己的数据库进行转换，要求数据集图片格式为jpg，以下为具体操作步骤：
A．若数据集已经给出label则忽略此步骤。图片按照类别装在不同文件夹下的情况，自己编写mklabel.sh命令，对图片进行处理并标明label。具体操作参照mklabel.sh 程序说明。
<pre name="code" class="plain">mklabel.sh
#!/bin/sh
#----------------------------------------------------
#文件存放形式为
# dir/subdir1/files...
# dir/subdir2/files...
# dir/subdir3/files...
# dir/subdirX/files...
#用法：
#1.$ sh mklabel.sh dir startlabel ;dir 为目标文件夹名称
#2.$ chmod a+x mklabel.sh ；然后可以直接用文件名运行
#3.默认label信息显示在终端，请使用转向符'>'生成文本，例：
# $ sh ./mklabel.sh data/faces94/male > label.txt
#4.确保文件夹下除了图片不含其他文件(若含有则需自行添加判断语句)
#-----------------------------------------------------
DIR=~/codes/mklabel.sh #命令位置（无用）
label=1 #label起始编号(为数字，根据自己需要修改)
testnum=0 #保留的测试集大小
if test $# -eq 0;then #无参数，默认为当前文件夹下，label=1
$DIR . 0 $label
else
if test $# -eq 1;then #仅有位置参数，默认testnum=0,label=1
$DIR $1 0 $label
else
if test $# -eq 2;then #两个参数时,label=1
$DIR $1 $2 $label
else
testnum=$2 #每个类别保留测试集大小
label=$3 #自定义label起始
cd $1 #转到目标文件夹
if test $testnum -ne 0;then
mkdir "testdata" #建立测试集
fi
for i in * ; do
exist=`expr "$i" != "testdata"`
if test -d $i && test $exist -eq 1;then #文件夹存在
#echo
#echo 'DIR:' $i
cd $i #进入文件夹
num=1 #图片数目
for j in *
do
if test $num -gt $testnum;then
echo $j $label
mv $j ../
fi
num=`expr $num + 1`
done
cd .. #回到上层目录
if test $testnum -eq 0;then
rmdir $i
else
mv $i ./testdata
fi
label=`expr $label + 1`
#计算label
fi
done
fi
fi
fiB．修改create_imagenet.sh 文件，使其中的图片源地址与标明label的txt文件对应到自己数据库的相应文件。其中的convert_imageset.cpp 函数的参数依次为图片文件夹位置，label.txt文本文件，目标数据集名称，是否随机存储图片与label（即打乱图片数据的读入顺序）。
若你所使用的数据集不是通过图片形式给出，为了方便，可以根据leveldb数据的存储格式，自己编写程序转换数据集。
C．多通道图片需要用到meanfile，通过example/imagenet文件夹下的shell函数make_imagenet_mean.sh，更改相应函数，很轻松的得到binaryproto文件，在训练时可能需要用到。
step 3. 使用自己的数据进行训练：
以最简单的mnist网络为例，因为数据集的不同则需要更改的参数也不同。在训练前最好在example下新建个文件夹命名为数据集的名称，然后把mnist下的5个文件：
lenet.prototxt
lenet_solver.prototxt
lenet_train.prototxt
lenet_test.prototxt
train_lenet.sh
复制到新文件夹下，以上5个文件为必需的文件。按顺序对以上文件进行修改，在忽略网络结构的情况下，需要修改的有:
a. lenet.prototxt：
input_dim: 64
input_dim: 1
input_dim: 28
input_dim: 28分别为一次导入的图片个数，channel，heigth ，width。
倒数第二层，即输入给softmax层数据的那层，其中的num_output需要更改为实际图片的label数，即图片类别数。否则在进行训练时，会出现错误。
b. lenet_solver.prototxt：
如果之前文件名没改的话则不需要更改以上两项，否则改为对应文件。其他参数根据实际需要更改。
c. lenet_train.prototxt：
需要把data层的数据源文件替换为自己的数据。
在训练多通道图片时，此处最好需要有一个meanfile参数。例如cifar10
num_output参数参照lenet.prototxt修改。
d. lenet_test.prototxt：
参照lenet_train.prototxt 进行相应修改。
e. train_lenet.sh：
lenet_solver.prototxt文件名未更改的话则不需要进行改动。
step 4. 使用自己的model进行分类：
Reference: http://nbviewer.ipython.org/github/BVLC/caffe/blob/master/examples/classification.ipynb
假设之前的所有步骤已经成功，并且已经训练出正确率还行的model，则现在就可以使用model对图片进行分类。
a. 首先确保已经正确安装了pythonwrapper，以及caffe_root/python/文件夹下requirements.txt文件中所需要的组件。
b. 另外，还需要meanfile的npy文件。即需要把数据对应的binaryproto文件转换到npy文件。Caffe_root/python/caffe/io.cpp文件中已经给了对应的API。
具体参照：https://github.com/BVLC/caffe/issues/420
需要对blobproto_to_array 进行修改，得到blobproto_to_array2.
即删去了blob.num 项。
通过调用此API进行处理，具体python函数如下：
convert_bproto_to_npy.py
#!/usr/bin/python
import numpy as np
from caffe.io import blobproto_to_array2
from caffe.proto import caffe_pb2
blob = caffe_pb2.BlobProto()
filename = './imagenet_mean.binaryproto'
data = open(filename, "rb").read()
blob.ParseFromString(data)
nparray =blobproto_to_array2(blob)
f = file("mean.npy","wb")
np.save(f,nparray)
f.close()
c. 按照demo步骤进行分类：
代码的主要部分参照
classify.py
classifymap.py
输出部分的说明
1) Classify.py
输出的是prediction[0],一维数组，以imagenet为例就是大小为1000的数组，每个值对应概率大小。
处理部分代码：
preDict = {}
for i in xrange(len(prediction[0])):
preDict[prediction[0][i]] = i
for i in xrange(5):
val = sorted(preDict.keys())[-i -1]
print("%d %f %s" %(preDict[val], val * 100, linecache.getline(SYNSET, preDict[val])))
把数组的值和索引对应到字典中，值作为键，把数组值进行排序，再用前五个作为键，找出索引值，也就是对应的类别。
为了能够直观地显示数字所代表的类别名，需要输出synset_words.txt文件中对应行数的内容。这里用的是linecache.getline()函数，需要
import caffe
为了修改方便，把synset_words.txt的路径设为变量
SYNSET = '../../data/ilsvrc12/synset_words.txt'
（序号概率值（百分比）对应种类）
2) Classifymap.py
输出的是
outMat =out['prob'][0].argmax(axis=0)
是一个二维矩阵，8*8大小，每个值对应的都是一种类别，出现的越多代表概率越高。
处理部分代码：
h1, w1 = np.shape(outMat)
outList = list(np.reshape(outMat,h1 * w1))
#print(outList)
outSet = set(outList)
outdict = {}
for x in outSet:
outdict[outList.count(x)]=x
appear = outdict.keys()
applen = len(appear)
if len <= 5:
for i in xrange(applen):
print('%d %d: %s'%(outdict[appear[-(i+1)]], appear[-(i+1)],linecache.getline(SYNSET,outdict[appear[-(i+1)]])))
else:
for i in xrange(5):
print('%d %d: %s'%(outdict[appear[-(i+1)]], appear[-(i+1)], linecache.getline(SYNSET,outdict[appear[-(i+1)]]))) 和上面的文件大致思路相同。但是需要先把矩阵展开成一维列表，用set()变成集合，也就是去掉重复元素，再一一对应到字典中，然后通过count()找到每个值在矩阵中出现的次数，进行排序即可。
（序号出现次数对应种类）
3) 源代码：Classiy.py
import numpy as np
import matplotlib.pyplot as plt
import pylab
import caffe
caffe_root = '../'
MODEL_FILE = '../imagenet/imagenet_deploy.prototxt'
PRETRAINED = '../imagenet/caffe_reference_imagenet_model'
IMAGE_FILE = '../images/cat.jpg'
#net = caffe.Classifier(MODEL_FILE, PRETRAINED, mean_file = caffe_root + '../python/caffe/imagenet/ilsvrc_2012_mean.npy', channel_swap = (2,1,0), input_scale = 255)
net = caffe.Classifier(MODEL_FILE, PRETRAINED, mean_file = caffe_root + 'mean2.npy', channel_swap = (2,1,0), input_scale = 255)
net.set_phase_test()
net.set_mode_gpu()
input_image = caffe.io.load_image(IMAGE_FILE)
pylab.ion()
plt.imshow(input_image)
#pylab.show()
prediction = net.predict([input_image])
print 'prediction shape:', prediction[0].shape
#print(prediction[0])
plt.plot(prediction[0])
#pylab.show()
preDict = {}
preList = list(prediction[0])
for i in preList:
preDict[preList[i]] = i
preLen = len(preList)
for i in xrange(5):
print('%d %d: %s' %(preDict[preDict.keys[-(i+1)]], preDict.values[-(i+1)], linecache.getline(SYNSET,preDict.values[-(i+1)])))
classifymap.py
import caffe
import matplotlib.pyplot as plt
import pylab
import numpy as np
import linecache
IMAGE_FILE ='../images/dog.jpg'
SYNSET = '../../data/ilsvrc12/synset_words.txt'
# Load the original network and extract the fully-connected layers' parameters.
net = caffe.Net('../imagenet/imagenet_deploy.prototxt', '../imagenet/caffe_reference_imagenet_model')
params = ['fc6', 'fc7', 'fc8']
# fc_params = {name: (weights, biases)}
fc_params = {pr: (net.params[pr][0].data, net.params[pr][1].data) for pr in params}
#for fc in params:
#print '{} weights are {} dimensional and biases are {} dimensional'.format(fc, fc_params[fc][0].shape, fc_params[fc][1].shape)
# Load the fully-convolutional network to transplant the parameters.
net_full_conv = caffe.Net('../imagenet/imagenet_full_conv.prototxt', '../imagenet/caffe_reference_imagenet_model')
params_full_conv = ['fc6-conv', 'fc7-conv', 'fc8-conv']
# conv_params = {name: (weights, biases)}
conv_params = {pr: (net_full_conv.params[pr][0].data, net_full_conv.params[pr][1].data) for pr in params_full_conv}
#for conv in params_full_conv:
#print '{} weights are {} dimensional and biases are {} dimensional'.format(conv, conv_params[conv][0].shape, conv_params[conv][1].shape)
for pr, pr_conv in zip(params, params_full_conv):
conv_params[pr_conv][1][...] = fc_params[pr][1]
for pr, pr_conv in zip(params, params_full_conv):
out, in_, h, w = conv_params[pr_conv][0].shape
W = fc_params[pr][0].reshape((out, in_, h, w))
conv_params[pr_conv][0][...] = W
# net_full_conv.save('../imagenet/caffe_imagenet_full_conv')
# load input and configure preprocessing
im = caffe.io.load_image(IMAGE_FILE)
plt.imshow(im)
#pylab.show()
net_full_conv.set_mean('data', '../../python/caffe/imagenet/ilsvrc_2012_mean.npy')
net_full_conv.set_channel_swap('data', (2,1,0))
net_full_conv.set_input_scale('data', 255.0)
# make classification map by forward pass and show top prediction index per location
out = net_full_conv.forward_all(data=np.asarray([net_full_conv.preprocess('data', im)]))
outMat = out['prob'][0].argmax(axis=0)
h1, w1 = np.shape(outMat)
outList = list(np.reshape(outMat,h1 * w1))
#print(outList)
outSet = set(outList)
outdict = {}
for x in outSet:
outdict[outList.count(x)]=x
appear = outdict.keys()
applen = len(appear)
if len <= 5:
for i in xrange(applen):
print('%d %d: %s' %(outdict[appear[-(i+1)]], appear[-(i+1)], linecache.getline(SYNSET,outdict[appear[-(i+1)]])))
else:
for i in xrange(5):
print('%d %d: %s' %(outdict[appear[-(i+1)]], appear[-(i+1)], linecache.getline(SYNSET,outdict[appear[-(i+1)]])))
在caffe_root/example 文件夹中，提供了一些例子，cifar10与imagenet均是将图片形式数据库转换为leveldb格式，mnist则是将其本身的数据集转换为leveldb格式。这就要求我们需要把自己的数据集转换成leveldb格式，需要自己编写程序实现。下面以jpg格式图片为例说明。
在此，假设数据库本身是以图片形式给出，并且给出了label或者同一类别的图片已经分类。这样我们就可以通过imagenet例子中给出的create_imagenet.sh 对我们自己的数据库进行转换，要求数据集图片格式为jpg，以下为具体操作步骤：
A．若数据集已经给出label则忽略此步骤。图片按照类别装在不同文件夹下的情况，自己编写mklabel.sh命令，对图片进行处理并标明label。具体操作参照mklabel.sh 程序说明。
<pre name="code" class="plain">mklabel.sh
#!/bin/sh
#----------------------------------------------------
#文件存放形式为
# dir/subdir1/files...
# dir/subdir2/files...
# dir/subdir3/files...
# dir/subdirX/files...
#用法：
#1.$ sh mklabel.sh dir startlabel ;dir 为目标文件夹名称
#2.$ chmod a+x mklabel.sh ；然后可以直接用文件名运行
#3.默认label信息显示在终端，请使用转向符'>'生成文本，例：
# $ sh ./mklabel.sh data/faces94/male > label.txt
#4.确保文件夹下除了图片不含其他文件(若含有则需自行添加判断语句)
#-----------------------------------------------------
DIR=~/codes/mklabel.sh #命令位置（无用）
label=1 #label起始编号(为数字，根据自己需要修改)
testnum=0 #保留的测试集大小
if test $# -eq 0;then #无参数，默认为当前文件夹下，label=1
$DIR . 0 $label
else
if test $# -eq 1;then #仅有位置参数，默认testnum=0,label=1
$DIR $1 0 $label
else
if test $# -eq 2;then #两个参数时,label=1
$DIR $1 $2 $label
else
testnum=$2 #每个类别保留测试集大小
label=$3 #自定义label起始
cd $1 #转到目标文件夹
if test $testnum -ne 0;then
mkdir "testdata" #建立测试集
fi
for i in * ; do
exist=`expr "$i" != "testdata"`
if test -d $i && test $exist -eq 1;then #文件夹存在
#echo
#echo 'DIR:' $i
cd $i #进入文件夹
num=1 #图片数目
for j in *
do
if test $num -gt $testnum;then
echo $j $label
mv $j ../
fi
num=`expr $num + 1`
done
cd .. #回到上层目录
if test $testnum -eq 0;then
rmdir $i
else
mv $i ./testdata
fi
label=`expr $label + 1`
#计算label
fi
done
fi
fi
fiB．修改create_imagenet.sh 文件，使其中的图片源地址与标明label的txt文件对应到自己数据库的相应文件。其中的convert_imageset.cpp 函数的参数依次为图片文件夹位置，label.txt文本文件，目标数据集名称，是否随机存储图片与label（即打乱图片数据的读入顺序）。
若你所使用的数据集不是通过图片形式给出，为了方便，可以根据leveldb数据的存储格式，自己编写程序转换数据集。
C．多通道图片需要用到meanfile，通过example/imagenet文件夹下的shell函数make_imagenet_mean.sh，更改相应函数，很轻松的得到binaryproto文件，在训练时可能需要用到。
step 3. 使用自己的数据进行训练：
以最简单的mnist网络为例，因为数据集的不同则需要更改的参数也不同。在训练前最好在example下新建个文件夹命名为数据集的名称，然后把mnist下的5个文件：
lenet.prototxt
lenet_solver.prototxt
lenet_train.prototxt
lenet_test.prototxt
train_lenet.sh
复制到新文件夹下，以上5个文件为必需的文件。按顺序对以上文件进行修改，在忽略网络结构的情况下，需要修改的有:
a. lenet.prototxt：
input_dim: 64
input_dim: 1
input_dim: 28
input_dim: 28分别为一次导入的图片个数，channel，heigth ，width。
倒数第二层，即输入给softmax层数据的那层，其中的num_output需要更改为实际图片的label数，即图片类别数。否则在进行训练时，会出现错误。
b. lenet_solver.prototxt：
如果之前文件名没改的话则不需要更改以上两项，否则改为对应文件。其他参数根据实际需要更改。
c. lenet_train.prototxt：
需要把data层的数据源文件替换为自己的数据。
在训练多通道图片时，此处最好需要有一个meanfile参数。例如cifar10
num_output参数参照lenet.prototxt修改。
d. lenet_test.prototxt：
参照lenet_train.prototxt 进行相应修改。
e. train_lenet.sh：
lenet_solver.prototxt文件名未更改的话则不需要进行改动。
step 4. 使用自己的model进行分类：
Reference: http://nbviewer.ipython.org/github/BVLC/caffe/blob/master/examples/classification.ipynb
假设之前的所有步骤已经成功，并且已经训练出正确率还行的model，则现在就可以使用model对图片进行分类。
a. 首先确保已经正确安装了pythonwrapper，以及caffe_root/python/文件夹下requirements.txt文件中所需要的组件。
b. 另外，还需要meanfile的npy文件。即需要把数据对应的binaryproto文件转换到npy文件。Caffe_root/python/caffe/io.cpp文件中已经给了对应的API。
具体参照：https://github.com/BVLC/caffe/issues/420
需要对blobproto_to_array 进行修改，得到blobproto_to_array2.
即删去了blob.num 项。
通过调用此API进行处理，具体python函数如下：
convert_bproto_to_npy.py
#!/usr/bin/python
import numpy as np
from caffe.io import blobproto_to_array2
from caffe.proto import caffe_pb2
blob = caffe_pb2.BlobProto()
filename = './imagenet_mean.binaryproto'
data = open(filename, "rb").read()
blob.ParseFromString(data)
nparray =blobproto_to_array2(blob)
f = file("mean.npy","wb")
np.save(f,nparray)
f.close()
c. 按照demo步骤进行分类：
代码的主要部分参照
classify.py
classifymap.py
输出部分的说明
1) Classify.py
输出的是prediction[0],一维数组，以imagenet为例就是大小为1000的数组，每个值对应概率大小。
处理部分代码：
preDict = {}
for i in xrange(len(prediction[0])):
preDict[prediction[0][i]] = i
for i in xrange(5):
val = sorted(preDict.keys())[-i -1]
print("%d %f %s" %(preDict[val], val * 100, linecache.getline(SYNSET, preDict[val])))
把数组的值和索引对应到字典中，值作为键，把数组值进行排序，再用前五个作为键，找出索引值，也就是对应的类别。
为了能够直观地显示数字所代表的类别名，需要输出synset_words.txt文件中对应行数的内容。这里用的是linecache.getline()函数，需要
import caffe
为了修改方便，把synset_words.txt的路径设为变量
SYNSET = '../../data/ilsvrc12/synset_words.txt'
（序号概率值（百分比）对应种类）
2) Classifymap.py
输出的是
outMat =out['prob'][0].argmax(axis=0)
是一个二维矩阵，8*8大小，每个值对应的都是一种类别，出现的越多代表概率越高。
处理部分代码：
h1, w1 = np.shape(outMat)
outList = list(np.reshape(outMat,h1 * w1))
#print(outList)
outSet = set(outList)
outdict = {}
for x in outSet:
outdict[outList.count(x)]=x
appear = outdict.keys()
applen = len(appear)
if len <= 5:
for i in xrange(applen):
print('%d %d: %s'%(outdict[appear[-(i+1)]], appear[-(i+1)],linecache.getline(SYNSET,outdict[appear[-(i+1)]])))
else:
for i in xrange(5):
print('%d %d: %s'%(outdict[appear[-(i+1)]], appear[-(i+1)], linecache.getline(SYNSET,outdict[appear[-(i+1)]]))) 和上面的文件大致思路相同。但是需要先把矩阵展开成一维列表，用set()变成集合，也就是去掉重复元素，再一一对应到字典中，然后通过count()找到每个值在矩阵中出现的次数，进行排序即可。
（序号出现次数对应种类）
3) 源代码：Classiy.py
import numpy as np
import matplotlib.pyplot as plt
import pylab
import caffe
caffe_root = '../'
MODEL_FILE = '../imagenet/imagenet_deploy.prototxt'
PRETRAINED = '../imagenet/caffe_reference_imagenet_model'
IMAGE_FILE = '../images/cat.jpg'
#net = caffe.Classifier(MODEL_FILE, PRETRAINED, mean_file = caffe_root + '../python/caffe/imagenet/ilsvrc_2012_mean.npy', channel_swap = (2,1,0), input_scale = 255)
net = caffe.Classifier(MODEL_FILE, PRETRAINED, mean_file = caffe_root + 'mean2.npy', channel_swap = (2,1,0), input_scale = 255)
net.set_phase_test()
net.set_mode_gpu()
input_image = caffe.io.load_image(IMAGE_FILE)
pylab.ion()
plt.imshow(input_image)
#pylab.show()
prediction = net.predict([input_image])
print 'prediction shape:', prediction[0].shape
#print(prediction[0])
plt.plot(prediction[0])
#pylab.show()
preDict = {}
preList = list(prediction[0])
for i in preList:
preDict[preList[i]] = i
preLen = len(preList)
for i in xrange(5):
print('%d %d: %s' %(preDict[preDict.keys[-(i+1)]], preDict.values[-(i+1)], linecache.getline(SYNSET,preDict.values[-(i+1)])))
classifymap.py
import caffe
import matplotlib.pyplot as plt
import pylab
import numpy as np
import linecache
IMAGE_FILE ='../images/dog.jpg'
SYNSET = '../../data/ilsvrc12/synset_words.txt'
# Load the original network and extract the fully-connected layers' parameters.
net = caffe.Net('../imagenet/imagenet_deploy.prototxt', '../imagenet/caffe_reference_imagenet_model')
params = ['fc6', 'fc7', 'fc8']
# fc_params = {name: (weights, biases)}
fc_params = {pr: (net.params[pr][0].data, net.params[pr][1].data) for pr in params}
#for fc in params:
#print '{} weights are {} dimensional and biases are {} dimensional'.format(fc, fc_params[fc][0].shape, fc_params[fc][1].shape)
# Load the fully-convolutional network to transplant the parameters.
net_full_conv = caffe.Net('../imagenet/imagenet_full_conv.prototxt', '../imagenet/caffe_reference_imagenet_model')
params_full_conv = ['fc6-conv', 'fc7-conv', 'fc8-conv']
# conv_params = {name: (weights, biases)}
conv_params = {pr: (net_full_conv.params[pr][0].data, net_full_conv.params[pr][1].data) for pr in params_full_conv}
#for conv in params_full_conv:
#print '{} weights are {} dimensional and biases are {} dimensional'.format(conv, conv_params[conv][0].shape, conv_params[conv][1].shape)
for pr, pr_conv in zip(params, params_full_conv):
conv_params[pr_conv][1][...] = fc_params[pr][1]
for pr, pr_conv in zip(params, params_full_conv):
out, in_, h, w = conv_params[pr_conv][0].shape
W = fc_params[pr][0].reshape((out, in_, h, w))
conv_params[pr_conv][0][...] = W
# net_full_conv.save('../imagenet/caffe_imagenet_full_conv')
# load input and configure preprocessing
im = caffe.io.load_image(IMAGE_FILE)
plt.imshow(im)
#pylab.show()
net_full_conv.set_mean('data', '../../python/caffe/imagenet/ilsvrc_2012_mean.npy')
net_full_conv.set_channel_swap('data', (2,1,0))
net_full_conv.set_input_scale('data', 255.0)
# make classification map by forward pass and show top prediction index per location
out = net_full_conv.forward_all(data=np.asarray([net_full_conv.preprocess('data', im)]))
outMat = out['prob'][0].argmax(axis=0)
h1, w1 = np.shape(outMat)
outList = list(np.reshape(outMat,h1 * w1))
#print(outList)
outSet = set(outList)
outdict = {}
for x in outSet:
outdict[outList.count(x)]=x
appear = outdict.keys()
applen = len(appear)
if len <= 5:
for i in xrange(applen):
print('%d %d: %s' %(outdict[appear[-(i+1)]], appear[-(i+1)], linecache.getline(SYNSET,outdict[appear[-(i+1)]])))
else:
for i in xrange(5):
print('%d %d: %s' %(outdict[appear[-(i+1)]], appear[-(i+1)], linecache.getline(SYNSET,outdict[appear[-(i+1)]])))
扫一扫
6万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
