Paddle平台中搭建CNN模型,在训练模型中采用tensor类型

在构建好CNN网络模型之后,接下来便是通过训练集来对模型进行训练:

下面是这次搭建“”美食分类”深度学习代码中,所用到的训练部分的代码:

# CNN网络组建完毕之后,开始进行模型训练


print(train_parameters['class_dim'])
print(train_parameters['label_dict'])

model = CNN()
optimizer = paddle.optimizer.Adam(learning_rate = train_parameters['learning_strategy']['lr'],
                                  parameters = model.parameters())

for epoch_num in range (train_parameters['num_epochs']):
    for batch_id, data in enumerate(train_reader()):

        x_data = np.array([item[0] for item in data], dtype='float32').reshape(-1, 3, 64, 64)

        x_data = paddle.to_tensor(x_data, dtype = 'float32', place=paddle.CUDAPinnedPlace())      # 将numpy.array数据转换成tensor张量

        y_data = np.array([item[1] for item in data], dtype='int64').reshape(-1, 1) # 将元组转换成numpy.array
        
        y_data = paddle.to_tensor(y_data, dtype = 'int64', place=paddle.CUDAPinnedPlace())

        #print("y的数据类型: ", type(y_data))
        #print("x_data的数据类型:", type(x_data))
        predicts = model(x_data)
        #print("预测值的数据类型: ", type(predicts), "\n", "predicts内容: ", predicts)
        loss = fun.cross_entropy(predicts, y_data)
        acc = paddle.metric.accuracy(predicts, y_data)
        loss.backward()
        if batch_id % 1 == 0:
            print("epoch: {}, batch_id: {}, loss is: {}, acc is: {}".format(epoch_num, batch_id, loss.numpy(), acc.numpy()))
        optimizer.step()
        optimizer.clear_grad()

通过前面设计的数据读取器,train_reader来读取训练集中的数据,然后可知data[0]是数据,data[1]是训练图片所对应的标签,但是在读取出来的数据是元组类型,而对于paddle中对paddle.nn.Conv2D以及池化层的描述,输入的数据应该是tensor,张量,因此在后续将元组转换成numpy.array之后,采用paddle.to_tensor将numpy.array转换成张量,对于paddle.to_tensor内部的参量,place=paddle.CUDAPinnedPlace()代表将转换后的存放于GPU设备,我理解就是采用GPU环境进行训练。

这样网络输出的预测值presicts的类型也为tensor张量,阅读paddle关于计算准确率以及损失函数的API文档,是要求输入的参数数据类型一致:

loss = fun.cross_entropy(predicts, y_data)
acc = paddle.metric.accuracy(predicts, y_data)

也就是predicts 以及 y_data的数据类型一致,因此我们需要同样将训练集图片读取的标签转换为tensor类型。

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值