paddle高层API学习笔记（二）一般开发流程

使用深度学习就像搭积木一样，将各个模块搭好，然后再扮演一个调参侠的角色。

最近在看paddle就整理一下学到的paddle的使用。

 

1、导入飞桨

import paddle
import numpy as np

2、数据集准备

import paddle.vision.transforms as T

# 训练数据集
train_dataset = paddle.vision.datasets.Cifar100(mode='train', transform=T.ToTensor())

# 验证数据集
eval_dataset = paddle.vision.datasets.Cifar100(mode='test', transform=T.ToTensor())

3、模型选择和开发

3.1、模型开发

network = paddle.vision.models.resnet18(num_classes=100)

3.2、模型可视化

model = paddle.Model(network)
model.summary((-1, 3, 32, 32))

4、模型训练和调优

4.1训练参数设置：

model.prepare(paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()),
              paddle.nn.CrossEntropyLoss(),
              paddle.metric.Accuracy(topk=(1, 5)))

上面的参数涉及的内容：

（1）、使用Adam优化器；

（2）、学习率设置；

（3）、parameters=model.parameters() 是固定写法；

（4）、损失函数采用交叉熵，分类任务使用交叉熵，回归任务有不同的设置；

（5）、准确率评估前1和前5，可根据自己需要设置。

4.2、模型训练

model.fit(train_dataset,
          eval_dataset,
          epochs=20,
          batch_size=64,
          verbose=1)

参数说明：

（1）、训练数据集；

（2）、验证数据集,评估数据集；

（3）、训练epoch数，轮次数；

（4)、每个batch的大小，每一批送进去训练样本的数量；

（5）、verbode用于标志 日志展示格式

 

关于paddle高层API七日打卡有同学作了非常详细的博客分享：https://blog.csdn.net/weixin_45623093