【深度学习系列】PaddlePaddle之手写数字识别

感谢关注天善智能，走好数据之路↑↑↑

欢迎关注天善智能，我们是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！

对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tstoutiao，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。

---

在搜索关于深度学习分布式运行方式的资料时，无意间搜到了paddlepaddle，发现这个框架的分布式训练方案做的还挺不错的，想跟大家分享一下。不过呢，这块内容太复杂了，所以就简单的介绍一下paddlepaddle的第一个“hello word”程序----mnist手写数字识别。下一次再介绍用PaddlePaddle做分布式训练的方案。其实之前也写过一篇用CNN识别手写数字集的文章，是用keras实现的，这次用了paddlepaddle后，正好可以简单对比一下两个框架的优劣。

什么是PaddlePaddle？

PaddlePaddle是百度推出的一个深度学习框架，可能大多数人平常用的比较多的一般是tensorflow，caffe，mxnet等，但其实PaddlePaddle也是一个非常不错的框架（据说以前叫Paddle，现在改名叫PaddlePaddle，不知道为啥总觉得有股莫名的萌点）

PaddlePaddle能做什么?

传统的基本都能做，尤其对NLP的支持很好，譬如情感分析，word embedding，语言模型等，反正你想得到的，常见的都可以用它来试一试~

PaddlePaddle的安装

不得不吐槽一下PaddlePaddle的安装，官网上说“PaddlePaddle目前唯一官方支持的运行的方式是Docker容器”，而docker其实在国内还并不是特别的流行，之前遇到的所有的框架，都有很多种安装方式，非常方便，所以这个唯一支持docker让人觉得非常诡异 = =！不过偶然试了一下，居然可以用pip install，不过为啥官网上没有写呢？所以，对于新手来说，最简单的安装方式就是：

CPU版本安装

pip install paddlepaddle

GPU版本安装

pip install paddlepaddle-gpu

 用PaddlePaddle实现手写数字识别

　　训练步骤

　　传统的方式这次就不展开讲了，为了对比我们还是用CNN来进行训练。PaddlePaddle训练一次模型完整的过程可以如下几个步骤：

导入数据---->定义网络结构---->训练模型---->保存模型---->测试结果

下面，我直接用代码来展示训练的过程（以后代码都会放在github里）：

#coding:utf-8

import os

from PIL import Image

import numpy as np

import paddle.v2 as paddle

# 设置是否用gpu，0为否，1为是

with_gpu = os.getenv('WITH_GPU', '0') != '1'

# 定义网络结构

def convolutional_neural_network_org(img):

   # 第一层卷积层

   conv_pool_1 = paddle.networks.simple_img_conv_pool(

       input=img,

       filter_size=5,

       num_filters=20,

       num_channel=1,

       pool_size=2,

       pool_stride=2,

       act=paddle.activation.Relu())

   # 第二层卷积层

   conv_pool_2 = paddle.networks.simple_img_conv_pool(

       input=conv_pool_1,

       filter_size=5,

       num_filters=50,

       num_channel=20,

       pool_size=2,

       pool_stride=2,

       act=paddle.activation.Relu())

   # 全连接层

   predict = paddle.layer.fc(

       input=conv_pool_2, size=10, act=paddle.activation.Softmax())

   return predict

def main():

   # 初始化定义跑模型的设备

   paddle.init(use_gpu=with_gpu, trainer_count=1)

   # 读取数据

   images = paddle.layer.data(

       name='pixel', type=paddle.data_type.dense_vector(784))

   label = paddle.layer.data(

       name='label', type=paddle.data_type.integer_value(10))

   # 调用之前定义的网络结构

   predict