【深度學習】paddlepaddle——基於多層神經網絡的圖像識別案例

  1 # 1、導包
  2 import paddle.fluid as fluid
  3 import paddle
  4 import time
  5 
  6 start = time.time()
  7 
  8 
  9 def test_program(exe, feeder, program, fetch_list, reader):
 10     """
 11     測試進程
 12     :param exe:執行器
 13     :param feeder: 數據與網絡關系
 14     :param program: 測試主進程
 15     :param fetch_list: 需要執行之后返回的損失與准確率
 16     :param reader: 測試reader
 17     :return:
 18     """
 19     # 訓練次數
 20     count = 0
 21     # 整個測試集的總損失
 22     sum_loss = 0
 23     # 整個訓練集的准確率
 24     sum_acc = 0
 25     for test_data in reader():
 26         test_avg_loss_value, test_acc_values = exe.run(
 27             program=program,  # 測試主進程
 28             feed=feeder.feed(test_data),  # 給測試喂數據
 29             fetch_list=fetch_list  # 需要執行之后返回的值
 30         )
 31 
 32         sum_loss += test_avg_loss_value
 33         sum_acc += test_acc_values
 34         count += 1
 35     # 得到整個訓練集的平均損失，與整個訓練集的准確率
 36     test_avg_loss = sum_loss / count
 37     test_acc = sum_acc / count
 38 
 39     return test_avg_loss, test_acc
 40 
 41 
 42 # 2、數據處理---paddlepaddle 自帶的mnist數據已經經過了數據處理
 43 
 44 # 3、定義reader
 45 # paddlepaddle給我們已經定義好了reader，只需要去調用
 46 
 47 # 4、指定訓練場所
 48 place = fluid.CPUPlace()
 49 
 50 # 5、配置網絡
 51 # 特征數據層
 52 image = fluid.layers.data(name="image", shape=[1, 28, 28], append_batch_size=True, dtype="float64")
 53 # 目標數據層
 54 label = fluid.layers.data(name="label", shape=[1], append_batch_size=True, dtype="int64")
 55 # 設計2個隱層 一個輸出層 共3層的fc網絡
 56 h1 = fluid.layers.fc(input=image, size=128, name="h1", act="relu")
 57 h2 = fluid.layers.fc(input=h1, size=64, name="h2", act="relu")
 58 
 59 # 輸出層
 60 y_predict = fluid.layers.fc(input=h2, size=10, name="output_layer", act="softmax")
 61 
 62 # 6、損失
 63 # 交叉熵損失
 64 loss = fluid.layers.cross_entropy(input=y_predict, label=label)
 65 # 計算平均損失
 66 avg_loss = fluid.layers.mean(loss)
 67 
 68 # 計算准確率
 69 acc = fluid.layers.accuracy(input=y_predict, label=label)
 70 
 71 # 7、指定優化---sgd隨機梯度下降優化算法
 72 sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.1)
 73 # 指定去優化損失
 74 sgd_optimizer.minimize(avg_loss)
 75 
 76 # 8、指定網絡與數據層的關系
 77 feeder = fluid.DataFeeder(feed_list=[image, label], place=place)
 78 
 79 # 9、構建執行器
 80 # 訓練執行器
 81 exe_train = fluid.Executor(place=place)
 82 # 測試執行器
 83 exe_test = fluid.Executor(place=place)
 84 
 85 # 10、初始化網絡參數
 86 # 初始化參數進程
 87 startup_program = fluid.default_startup_program()
 88 exe_train.run(startup_program)
 89 # 主進程
 90 # 訓練主進程
 91 train_main_program = fluid.default_main_program()
 92 # 測試主進程
 93 test_main_program = train_main_program.clone(for_test=True)
 94 
 95 # 11、獲取圖片數據
 96 # 並不是直接拿到數據就往網絡里面送
 97 # 構建一個緩沖區，--打亂順序，--再往網絡里面送
 98 # paddle.dataset.mnist.train() ----paddlepaddle的訓練reader
 99 # 緩沖區大小buf_size與批次大小batch_size 並沒有多大的關系
100 # 一般設計的時候注意：buf_size 略微需要比batch_size 大一點就可以
101 # 而且batch_size 不能過大
102 # 訓練reader 與測試reader 的batch_size數量必須一致
103 train_reader = paddle.batch(
104     paddle.reader.shuffle(paddle.dataset.mnist.train(), buf_size=50),
105     batch_size=10
106 )
107 test_reader = paddle.batch(
108     paddle.reader.shuffle(paddle.dataset.mnist.test(), buf_size=50),
109     batch_size=10
110 )
111 
112 # 12、訓練
113 # 指定訓練輪數
114 loop_num = 2
115 # 定義的執行次數
116 step = 0
117 
118 flag = False
119 
120 for loop in range(loop_num):
121     print("第%d輪訓練" % loop)
122     # train_data 每批次的數據
123     for train_data in train_reader():
124         # 執行器運行訓練主進程
125         train_avg_loss_value, train_acc_value = exe_train.run(
126             program=train_main_program,  # 訓練主進程
127             feed=feeder.feed(train_data),  # 利用數據層與網絡構建好的關系，將真實的數據喂給網絡
128             fetch_list=[avg_loss, acc]  # 執行之后需要返回的結果的值
129         )
130         # 每隔10步來打印一下損失與准確率
131         if step % 10 == 0 and step != 0:
132             print("第%d次訓練的損失為%f,准確率為%f" % (step, train_avg_loss_value, train_acc_value))
133 
134         step += 1
135 
136         # 每隔100步 去測試集中測試一下訓練效果
137         if step % 100 == 0 and step != 0:
138             test_avg_loss, test_acc = test_program(exe_test,
139                                                    feeder,
140                                                    test_main_program,
141                                                    fetch_list=[avg_loss, acc],
142                                                    reader=test_reader
143                                                    )
144             print("*" * 100)
145             print("測試集的損失為：%f,准確率為：%f" % (test_avg_loss, test_acc))
146             print("*" * 100)
147             if test_avg_loss <= 0.1 and test_acc >= 0.98:
148                 flag = True
149                 print("最終測試集的損失為：%f,准確率為：%f" % (test_avg_loss, test_acc))
150 
151                 end = time.time()
152                 print("運行總時長為：", end - start)
153                 break
154     if flag:
155         break