Paddle实践：手写数字识别

---

前言

趁着国庆尾巴，复习了Paddle框架进行深度学习实践：手写数字识别，这里分享下模型实现。

---

1. Paddle手写数字识别过程

这里给大家分享下手写数字识别的主要步骤：

1. 定义数据处理过程：定义MnistDataset类，继承自paddle.io.Dataset实现模型输入数据处理，与paddle.io.DataLoader配合使用，实现数据异步加载，提高模型训练速度；
2. 定义深度学习模型：这里使用简单的多个卷积层、ReLU激活函数，池化层来提取图像特征，使用全连接层，Softmax实现图像分类;
3. 训练配置：使用随机梯度下降SGD来优化模型参数，使用交叉熵作为分类损失函数。
4. 训练过程：前向计算，损失计算，模型参数更新三个过程循环进行，直到达到优化目标，即损失值足够小；
5. 保存模型：保存上述训练模型参数，以供推理阶段加载使用。

2. Paddle手写数字识别训练与推理过程实现

# 导入飞桨和其他相关库
import paddle
from paddle.nn import Conv2D, MaxPool2D, Linear
import paddle.nn.functional as F
import numpy as np
import matplotlib.pyplot as plt
import gzip
import os
import json
import random
from PIL import Image

# 创建一个类MnistDataset, 继承paddle.io.Dataset,配合DataLoader实现数据异步加载
class MnistDataset(paddle.io.Dataset):
    def __init__(self, mode='train'):
        datafile = './work/mnist.json.gz'
        data = json.load(gzip.open(datafile))
        # 划分数据集为训练集、验证集和测试集
        train_set, val_set, test_set = data[:3]

        # 图片高度和宽度
        self.IMG_ROWS, self.IMG_COLS = 28, 28

        if mode == 'train':
            # 训练数据集
            imgs, labels = train_set[:2]
        elif mode == 'valid':
            imgs, labels = val_set[:2]
        elif mode == 'eval':
            imgs, labels = test_set[:2]
        else:
            raise Exception("mode can only be one of [train, valid, eval]")

        # 校验数据
        imgs_length = len(imgs)
        assert len(imgs) == len(labels), \
            "length of train_imgs({}) should be the same with train_labels({})".format(
                len(imgs)