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
- 获取数据
- 模型网络搭建
- 训练配置
- 开始训练、模型保存
- 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