之前在colab上成功安裝好了paddlepaddle，現在記錄下手寫數字識別，按照百度官網的代碼，先記錄下來以后再看。
#導入需要的包 import numpy as np import paddle as paddle import paddle.fluid as fluid from PIL import Image import matplotlib.pyplot as plt import os
BUF_SIZE=512 BATCH_SIZE=128 #用於訓練的數據提供器，每次從緩存中隨機讀取批次大小的數據 train_reader = paddle.batch( paddle.reader.shuffle(paddle.dataset.mnist.train(), buf_size=BUF_SIZE), batch_size=BATCH_SIZE) #用於訓練的數據提供器，每次從緩存中隨機讀取批次大小的數據 test_reader = paddle.batch( paddle.reader.shuffle(paddle.dataset.mnist.test(), buf_size=BUF_SIZE), batch_size=BATCH_SIZE) #用於打印，查看mnist數據 train_data=paddle.dataset.mnist.train(); sampledata=next(train_data()) print(sampledata)
# 定義多層感知器 def multilayer_perceptron(input): # 第一個全連接層，激活函數為ReLU hidden1 = fluid.layers.fc(input=input, size=100, act='relu') # 第二個全連接層，激活函數為ReLU hidden2 = fluid.layers.fc(input=hidden1, size=100, act='relu') # 以softmax為激活函數的全連接輸出層，輸出層的大小必須為數字的個數10 prediction = fluid.layers.fc(input=hidden2, size=10, act='softmax') return prediction
# 輸入的原始圖像數據，大小為1*28*28 image = fluid.layers.data(name='image', shape=[1, 28, 28], dtype='float32')#單通道，28*28像素值 # 標簽，名稱為label,對應輸入圖片的類別標簽 label = fluid.layers.data(name='label', shape=[1], dtype='int64') #圖片標簽
# 獲取分類器 predict = multilayer_perceptron(image)
#使用交叉熵損失函數,描述真實樣本標簽和預測概率之間的差值 cost = fluid.layers.cross_entropy(input=predict, label=label) # 使用類交叉熵函數計算predict和label之間的損失函數 avg_cost = fluid.layers.mean(cost) # 計算分類准確率 acc = fluid.layers.accuracy(input=predict, label=label)
#使用Adam算法進行優化, learning_rate 是學習率(它的大小與網絡的訓練收斂速度有關系) optimizer = fluid.optimizer.AdamOptimizer(learning_rate=0.001) opts = optimizer.minimize(avg_cost)
# 定義使用CPU還是GPU，使用CPU時use_cuda = False,使用GPU時use_cuda = True use_cuda = True place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace() # 獲取測試程序 test_program = fluid.default_main_program().clone(for_test=True) exe = fluid.Executor(place) exe.run(fluid.default_startup_program())
feeder = fluid.DataFeeder(place=place, feed_list=[image, label])
all_train_iter=0 all_train_iters=[] all_train_costs=[] all_train_accs=[] def draw_train_process(title,iters,costs,accs,label_cost,lable_acc): plt.title(title, fontsize=24) plt.xlabel("iter", fontsize=20) plt.ylabel("cost/acc", fontsize=20) plt.plot(iters, costs,color='red',label=label_cost) plt.plot(iters, accs,color='green',label=lable_acc) plt.legend() plt.grid() plt.show()
EPOCH_NUM=2 model_save_dir = "/content/drive/My Drive/pdpd/hand.inference.model" for pass_id in range(EPOCH_NUM): # 進行訓練 for batch_id, data in enumerate(train_reader()): #遍歷train_reader train_cost, train_acc = exe.run(program=fluid.default_main_program(),#運行主程序 feed=feeder.feed(data), #給模型喂入數據 fetch_list=[avg_cost, acc]) #fetch 誤差、准確率 all_train_iter=all_train_iter+BATCH_SIZE all_train_iters.append(all_train_iter) all_train_costs.append(train_cost[0]) all_train_accs.append(train_acc[0]) # 每200個batch打印一次信息 誤差、准確率 if batch_id % 200 == 0: print('Pass:%d, Batch:%d, Cost:%0.5f, Accuracy:%0.5f' % (pass_id, batch_id, train_cost[0], train_acc[0])) # 進行測試 test_accs = [] test_costs = [] #每訓練一輪 進行一次測試 for batch_id, data in enumerate(test_reader()): #遍歷test_reader test_cost, test_acc = exe.run(program=test_program, #執行訓練程序 feed=feeder.feed(data), #喂入數據 fetch_list=[avg_cost, acc]) #fetch 誤差、准確率 test_accs.append(test_acc[0]) #每個batch的准確率 test_costs.append(test_cost[0]) #每個batch的誤差 # 求測試結果的平均值 test_cost = (sum(test_costs) / len(test_costs)) #每輪的平均誤差 test_acc = (sum(test_accs) / len(test_accs)) #每輪的平均准確率 print('Test:%d, Cost:%0.5f, Accuracy:%0.5f' % (pass_id, test_cost, test_acc)) #保存模型 # 如果保存路徑不存在就創建 if not os.path.exists(model_save_dir): os.makedirs(model_save_dir) print ('save models to %s' % (model_save_dir)) fluid.io.save_inference_model(model_save_dir, #保存推理model的路徑 ['image'], #推理（inference）需要 feed 的數據 [predict], #保存推理（inference）結果的 Variables exe) #executor 保存 inference model print('訓練模型保存完成！') draw_train_process("training",all_train_iters,all_train_costs,all_train_accs,"trainning cost","trainning acc")
Pass:0, Batch:0, Cost:2.68999, Accuracy:0.09375 Pass:0, Batch:200, Cost:0.39746, Accuracy:0.87500 Pass:0, Batch:400, Cost:0.18917, Accuracy:0.95312 Test:0, Cost:0.22934, Accuracy:0.93167 Pass:1, Batch:0, Cost:0.24291, Accuracy:0.92969 Pass:1, Batch:200, Cost:0.21380, Accuracy:0.95312 Pass:1, Batch:400, Cost:0.17054, Accuracy:0.95312 Test:1, Cost:0.16143, Accuracy:0.94887 save models to /content/drive/My Drive/pdpd/hand.inference.model 訓練模型保存完成！
def load_image(file): im = Image.open(file).convert('L') #將RGB轉化為灰度圖像，L代表灰度圖像，像素值在0~255之間 im = im.resize((28, 28), Image.ANTIALIAS) #resize image with high-quality 圖像大小為28*28 im = np.array(im).reshape(1, 1, 28, 28).astype(np.float32)#返回新形狀的數組,把它變成一個 numpy 數組以匹配數據饋送格式。 # print(im) im = im / 255.0 * 2.0 - 1.0 #歸一化到【-1~1】之間 return im
infer_path='/content/drive/My Drive/pdpd/digit.jpg' img = Image.open(infer_path) plt.imshow(img) #根據數組繪制圖像 plt.show() #顯示圖像
infer_exe = fluid.Executor(place)
inference_scope = fluid.core.Scope()
# 加載數據並開始預測 with fluid.scope_guard(inference_scope): #獲取訓練好的模型 #從指定目錄中加載 推理model(inference model) [inference_program, #推理Program feed_target_names, #是一個str列表，它包含需要在推理 Program 中提供數據的變量的名稱。 fetch_targets] = fluid.io.load_inference_model(model_save_dir,#fetch_targets：是一個 Variable 列表，從中我們可以得到推斷結果。model_save_dir：模型保存的路徑 infer_exe) #infer_exe: 運行 inference model的 executor img = load_image(infer_path) results = infer_exe.run(program=inference_program, #運行推測程序 feed={feed_target_names[0]: img}, #喂入要預測的img fetch_list=fetch_targets) #得到推測結果, # 獲取概率最大的label lab = np.argsort(results) #argsort函數返回的是result數組值從小到大的索引值 #print(lab) print("該圖片的預測結果的label為: %d" % lab[0][0][-1]) #-1代表讀取數組中倒數第一列
該圖片的預測結果的label為: 5