10分钟快速上手飞桨（PaddlePaddle）

最新推荐文章于 2024-08-29 19:09:48 发布

仰望夜空一万次

最新推荐文章于 2024-08-29 19:09:48 发布

阅读量1.1w

点赞数 4

分类专栏：机器学习文章标签： paddlepaddle

原文链接：https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc/guides/02_paddle2.0_develop/01_quick_start_cn.html

版权

机器学习专栏收录该内容

2 篇文章 1 订阅

订阅专栏

Paddle版本：2.0.0rc
Python版本：python3
运行方式：python3命令行界面，非分布式方式
原文地址：https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc/guides/02_paddle2.0_develop/01_quick_start_cn.html

1. 安装飞桨¶

如果您已经安装好飞桨那么可以跳过此步骤。我们针对用户提供了一个方便易用的安装引导页面，您可以通过选择自己的系统和软件版本来获取对应的安装命令，具体可以点击快速安装查看。

具体步骤

在CentOS的linux机器上，安装python3,安装paddle

yum install python3
pip3 install --upgrade pip
python3 -m pip install paddlepaddle==2.0.0rc0 -i https://mirror.baidu.com/pypi/simple

2. 导入飞桨¶

安装好飞桨后我们就可以在Python程序中进行飞桨的导入。

在命令行中执行python3,开启命令行界面

import paddle
print(paddle.__version__)
2.0.0-rc0

3. 实践一个手写数字识别任务¶

对于深度学习任务如果简单来看，其实分为几个核心步骤：

数据集的准备和加载；
模型的构建；
模型训练；
模型评估。

那么接下来我们就一步一步带您通过飞桨的少量API快速实现。

3.1 数据加载¶

加载我们框架为您准备好的一个手写数字识别数据集。这里我们使用两个数据集，一个用来做模型的训练，一个用来做模型的评估。

train_dataset = paddle.vision.datasets.MNIST(mode='train')
val_dataset =  paddle.vision.datasets.MNIST(mode='test')

3.2 模型搭建¶

通过Sequential将一层一层的网络结构组建起来。需要先对数据进行Flatten操作，将[1,28, 28]形状的图片数据改变形状为[1,784]。

mnist = paddle.nn.Sequential(
    paddle.nn.Flatten(),
    paddle.nn.Linear(784, 512),
    paddle.nn.ReLU(),
    paddle.nn.Dropout(0.2),
    paddle.nn.Linear(512, 10)
)

3.3 模型训练¶

配置好我们模型训练需要的损失计算方法和优化方法后就可以使用fit接口来开启我们的模型训练过程。

# 预计模型结构生成模型实例，便于进行后续的配置、训练和验证
model = paddle.Model(mnist)
# 模型训练相关配置，准备损失计算方法，优化器和精度计算方法
model.prepare(paddle.optimizer.Adam(parameters=mnist.parameters()),
              paddle.nn.CrossEntropyLoss(),
              paddle.metric.Accuracy())
# 开始模型训练
model.fit(train_dataset,
          epochs=5,
          batch_size=32,
          verbose=1)
Epoch 1/5
step 1875/1875 [==============================] - loss: 0.2250 - acc: 0.9025 - 9ms/step
Epoch 2/5
step 1875/1875 [==============================] - loss: 0.0969 - acc: 0.9462 - 13ms/step
Epoch 3/5
step 1875/1875 [==============================] - loss: 0.1035 - acc: 0.9550 - 12ms/step
Epoch 4/5
step 1875/1875 [==============================] - loss: 0.0316 - acc: 0.9603 - 12ms/step
Epoch 5/5
step 1875/1875 [==============================] - loss: 0.1771 - acc: 0.9637 - 12ms/step

3.4 模型评估¶

使用我们刚才训练得到的模型参数进行模型的评估操作，看看我们的模型精度如何。

model.evaluate(val_dataset, verbose=0)
{'loss': [3.576278e-07], 'acc': 0.9666}

那么初步训练得到的模型效果在97%附近，我们可以进一步通过调整其中的训练参数来提升我们的模型精度。
至此我们可以知道如何通过飞桨的几个简单API来快速完成一个深度学习任务，大家可以针对自己的需求来更换其中的代码，如果需要使用自己的数据集，那么可以更换数据集加载部分程序，如果需要替换模型，那么可以更改模型代码实现等等。后文会具体描述深度学习每个环节。

完整的代码，可以在PyCharm中运行（如果本机安装了Paddle环境）

# -*- coding: UTF-8 -*-
"""
"# -*- coding: UTF-8 -*-"，第一行用来解决" Non-ASCII character"
written in
more than just one line
"""

import paddle
print(paddle.__version__)
train_dataset = paddle.vision.datasets.MNIST(mode='train')
val_dataset = paddle.vision.datasets.MNIST(mode='test')
mnist = paddle.nn.Sequential(
    paddle.nn.Flatten(),
    paddle.nn.Linear(784, 512),
    paddle.nn.ReLU(),
    paddle.nn.Dropout(0.2),
    paddle.nn.Linear(512, 10)
)
# 预计模型结构生成模型实例，便于进行后续的配置、训练和验证
model = paddle.Model(mnist)
# 模型训练相关配置，准备损失计算方法，优化器和精度计算方法
model.prepare(paddle.optimizer.Adam(parameters=mnist.parameters()),
              paddle.nn.CrossEntropyLoss(),
              paddle.metric.Accuracy())
# 开始模型训练
model.fit(train_dataset,
          epochs=1,
          batch_size=32,
          verbose=1)
print model.evaluate(val_dataset, verbose=0)
print("Finish")