paddle深度学习基础之快速搭建项目

前言

作为本次系列博客的开头，先絮叨几句。这个paddle深度学习基础系列博客，是我之前参加百度深度学习基础的线上教学所学到的一些东西。打算使用比较简单的语言并夹杂着我自己的一些简介，给大家说一下深度学习入门的一些知识(基于paddle框架)。

本次系列博客使用mnist手写数据集作为基础项目，不断的对项目进行修改、提升、优化。

学习框架

项目结构

1. 获取数据
2. 模型网络搭建
3. 训练配置
4. 开始训练、模型保存
5. 模型测试

一、获取数据

 train_loader = paddle.batch(paddle.dataset.mnist.train(),batch_size=16)

这里使用paddle框架自带的数据集，batch_size=16 表示一批次数据是16

二、模型网络搭建

class MNIST(fluid.dygraph.Layer):
    def __init__(self):
        super(MNIST, self).__init__()
        self.linear = Linear(input_dim=28*28,output_dim=1,act=None)
    def forward(self, inputs):
        outputs = self.linear(inputs)
        return outputs

• 这里我自己写了个类，类名为MNIST 继承的是fluid.dygraph.Layer .

• super函数是调用父类的一个方法，这里调用了父类的初始化方法

• Linear()函数是paddle框架自带的，一个线性框架，input_dim 是输入数据的大小,output_dim是输出形状的大小。

• forward()函数是fluid.dygraph.Layer 中的函数，这里算是重写。在后面我们调用train()方法的时候，这个函数将自动被调用执行。在这个函数中，我们可以进行模型网络的搭建。因为这次我们只是一个28*28个神经元输入，1输出的一个线性模型，所以直接调用初始函数的self.linear，返回值是输出值。

三、训练配置

# 定义飞桨动态图工作环境
with fluid.dygraph.guard():
    # 声明网络结构
    model = MNIST()
    model.train()
    # 定义数据读取函数