PaddlePaddle——飞桨深度学习实现手写数字识别任务
头条号：人工智能研究所微信号:启示AI科技视频号：启示科技通过上一期文章的分享，我们介绍了paddlepaddle以及成功安装了paddlepaddle
百度深度学习平台PaddlePaddle——飞桨基础常识介绍
本期我们就来认识一下paddlepaddle的代码，进行一个简单的手写任务的实现
手写数字识别任务
数字识别是计算机从纸质文档、照片或其他来源接收、理解并识别可读的数字的能力，目前斗劲受存眷的是手写数字识别。手写数字识别是一个典型的图像分类问题，已经被广泛应用于汇款单号识别、手写邮政编码识别等范围，大大缩短了业务措置时间，提升了工作效率和质量。
MINIST数据
MINIST的数据分为2个部门：55000份训练数据（mnist.train）和10000份测试数据（mnist.test）。这个划分有重要的象征意义，他展示了在机器学习中如何使用数据。在训练的过程中，我们必需单独保留一份没有用于机器训练的数据作为验证的数据，这才能确保训练的成果的可行性。
前面已经提到，每一份MINIST数据都由图片以及标签组成。我们将图片定名为“x”，将标识表记标帜数字的标签定名为“y”。训练数据集和测试数据集都是同样的布局，例如：训练的图片名为 mnist.train.images 而训练的标签名为 mnist.train.labels。
每一个图片均为28×28像素，我们可以将其理解为一个二维数组的布局：
在措置如下图所示的手写邮政编码的简单图像分类任务时，可以使用基于MNIST数据集的手写数字识别模型。MNIST是深度学习范围尺度、易用的成熟数据集，包含50 000条训练样本和10 000条测试样本。
手写数字识别任务示意图
[*]任务输入：一系列手写数字图片，此中每张图片都是28x28的像素矩阵。
[*]任务输出：颠末了大小归一化和居中措置，输出对应的0~9的数字标签。
模型搭建--代码
import paddle
from paddle.nn import Linear
import paddle.nn.functional as F
import os
import numpy as np
import matplotlib.pyplot as plt
# 设置数据读取器，API自动读取MNIST数据训练集
train_dataset = paddle.vision.datasets.MNIST(mode='train')
train_data0 = np.array(train_dataset)
train_label_0 = np.array(train_dataset)
# 显示第一batch的第一个图像
plt.figure("Image") # 图像窗口名称
plt.figure(figsize=(2,2))
plt.imshow(train_data0, cmap=plt.cm.binary)
plt.axis('on') # 关掉坐标轴为 off
plt.title('image') # 图像标题问题
plt.show()
print("图像数据形状和对应数据为:", train_data0.shape)
print("图像标签形状和对应数据为:", train_label_0.shape, train_label_0)
print("\n打印第一个batch的第一个图像，对应标签数字为{}".format(train_label_0))与torchvision 类似paddle也有类似的API接口可以 直接调用一些数据集，
paddle.vision.datasets.MNIST，可以直接获取措置好的MNIST训练集、测试集，当然paddle也封装了其他的数据集，这里我们后期再一一介绍。
加载完成数据集后，我们可以打印一些数据集的形状与参数，当然也可以查看数据集的图像
图像数据形状和对应数据为: (28, 28)
图像标签形状和对应数据为: (1,)
打印第一个batch的第一个图像，对应标签数字为
神经网络的搭建
# 定义mnist数据识别网络布局
class MNIST(paddle.nn.Layer):
def __init__(self):
super(MNIST, self).__init__()
# 定义一层全连接层，输出维度是1
self.fc = paddle.nn.Linear(in_features=784, out_features=1)
# 定义网络布局的前向计算过程
def forward(self, inputs):
outputs = self.fc(inputs)
return outputs这里我们首先使用一个单层且没有非线性变换的模型，看看此简单的神经网络模型能否正确识别出手写数字
这里由于是一层的神经网络，其跟CNN还是有所差距，这个我们后期进行此方面的代码优化
图像预措置
# 图像归一化函数，将数据范围为的图像归一化到
def norm_img(img):
# 验证传入数据格式是否正确，img的shape为
assert len(img.shape) == 3
batch_size, img_h, img_w = img.shape, img.shape, img.shape
# 归一化图像数据
img = img / 255
# 将图像形式reshape为
img = paddle.reshape(img, )
return img这里我们通过norm函数进行输出图像的措置，把范围为0--255归一化到0--1
神经网络的训练
# 确保从paddle.vision.datasets.MNIST中加载的图像数据是np.ndarray类型
paddle.vision.set_image_backend('cv2')
# 声明网络布局
model = MNIST()
def train(model):
# 启动训练模式
model.train()
# 加载训练集 batch_size 设为 16
train_loader = paddle.io.DataLoader(paddle.vision.datasets.MNIST(mode='train'),
batch_size=16,
shuffle=True)
# 定义优化器，使用随机梯度下降SGD优化器，学习率设置为0.001
opt = paddle.optimizer.SGD(learning_rate=0.001, parameters=model.parameters())
EPOCH_NUM = 10
for epoch in range(EPOCH_NUM):
for batch_id, data in enumerate(train_loader()):
images = norm_img(data).astype('float32')
labels = data.astype('float32')
#前向计算的过程
predicts = model(images)
# 计算损掉
loss = F.square_error_cost(predicts, labels)
avg_loss = paddle.mean(loss)
#每训练了1000批次的数据，打印下当前Loss的情况
if batch_id % 1000 == 0:
print("epoch_id: {}, batch_id: {}, loss is: {}".format(epoch, batch_id, avg_loss.numpy()))
#后向传布，更新参数的过程
avg_loss.backward()
opt.step()
opt.clear_grad()
train(model)
paddle.save(model.state_dict(), 'model/mnist.pdparams') train(model)来进行神经网络的训练，训练过程采用二层循环嵌套方式，训练完成后需要保留模型参数，以便后续使用。
[*]内层循环：负责整个数据集的一次遍历，遍历数据集采用分批次（batch）方式。
[*]外层循环：定义遍历数据集的次数，本次训练中外层循环10次，通过参数EPOCH_NUM设置。
最后我们使用paddle.save(model.state_dict(), 'model/mnist.pdparams')来保留已经训练好的模型，以便后期进行数字的识别，通过训练loss一直下不去，这样我们进行后期优化。
epoch_id: 0, batch_id: 0, loss is:
epoch_id: 0, batch_id: 1000, loss is:
epoch_id: 0, batch_id: 2000, loss is:
epoch_id: 0, batch_id: 3000, loss is:
epoch_id: 1, batch_id: 0, loss is:
epoch_id: 1, batch_id: 1000, loss is:
epoch_id: 1, batch_id: 2000, loss is:
epoch_id: 1, batch_id: 3000, loss is:
epoch_id: 2, batch_id: 0, loss is:
epoch_id: 2, batch_id: 1000, loss is:
epoch_id: 2, batch_id: 2000, loss is:
epoch_id: 2, batch_id: 3000, loss is:
epoch_id: 3, batch_id: 0, loss is:
epoch_id: 3, batch_id: 1000, loss is:
epoch_id: 3, batch_id: 2000, loss is:
epoch_id: 3, batch_id: 3000, loss is:
epoch_id: 4, batch_id: 0, loss is:
epoch_id: 4, batch_id: 1000, loss is:
epoch_id: 4, batch_id: 2000, loss is:
epoch_id: 4, batch_id: 3000, loss is:
epoch_id: 5, batch_id: 0, loss is:
epoch_id: 5, batch_id: 1000, loss is:
epoch_id: 5, batch_id: 2000, loss is:
epoch_id: 5, batch_id: 3000, loss is:
epoch_id: 6, batch_id: 0, loss is:
epoch_id: 6, batch_id: 1000, loss is:
epoch_id: 6, batch_id: 2000, loss is:
epoch_id: 6, batch_id: 3000, loss is:
epoch_id: 7, batch_id: 0, loss is:
epoch_id: 7, batch_id: 1000, loss is:
epoch_id: 7, batch_id: 2000, loss is:
epoch_id: 7, batch_id: 3000, loss is:
epoch_id: 8, batch_id: 0, loss is:
epoch_id: 8, batch_id: 1000, loss is:
epoch_id: 8, batch_id: 2000, loss is:
epoch_id: 8, batch_id: 3000, loss is:
epoch_id: 9, batch_id: 0, loss is:
epoch_id: 9, batch_id: 1000, loss is:
epoch_id: 9, batch_id: 2000, loss is:
epoch_id: 9, batch_id: 3000, loss is: 微信搜索小法式：AI人工智能东西，体验纷歧样的AI东西
页:
[1]