paddle第一周学习心得

深度学习案例（一）

这是我参加百度课程《百度架构师手把手带你零基础实践深度学习
》的第二个案例。

案例介绍

本案例为构建一个简单的手写数字识别模型。即构建模型用于识别数据集mnist中的手写数字（0、1、2、3…9），并通过调节模型中的学习率、优化器、隐藏层数等来改变模型对手写数字识别的准确率。
在本文案例中很多地方会让你觉得雨里雾里的，这是非常正常的，在参加这门课程时，我在学习中反反复复看了老师们提供的文案和视频教程，在结合百度搜索，反复练习课程中提供的案例，一点一点的吸收课程中的知识。
案例中的数据集：链接: mnist数据集. 密码：lhf8

环境配置

python环境 python3任意版本，反正我是用最高版本的
我使用的pycharm编写代码，代码中的第三方库在pycharm中均可安装，本次案例用到的第三方库有:numpy、matplotlib、paddle这三个，其它的在调试过程中根据需要进行安装，安装这一块网上有不少教程，这一部分就不进行过多的展开，通过搜素引擎检索知识是作为程序员的必备经验，大家加油吧。

模型构建

基本结构：导入模块——数据加载——训练配置——训练过程——保存模型

导入模块

import random   # python中的随机数模块
import paddle	 # paddle深度学习框架包，可以不导入
import paddle.fluid as fluid # paddle深度学习框架包中的一个模块
from paddle.fluid.dygraph.nn import Conv2D,Pool2D,Linear # paddle框架中的卷积层、池化层、线性变化
import numpy as np	# 强大的第三方运算库
import matplotlib.pyplot as plt    # 绘图工具，可以不导入	

import gzip	# 解压工具
import json  # 文件读取

数据加载

# 传入参数为train、valid、test，分别用于加载训练集、验证集和测试集
def load_data(mode = 'train'):

	# 数据集路径，与.py文件放在同一文件夹下
	datafile = 'mnist.json.gz'
	# 解压数据集并加载数据
	data = json.load(gzip.open(datafile))
	# 数据集中含有70000张图片，训练集50000张、验证集10000张、测试集10000张
	train_data,val_data,test_data = data

	
	if mode == 'train':  # 当传入参数为“train”时，
    	images_data,images_label = train_data[0],train_data[1]
	elif mode == 'valid': #  当传入参数为“valid”时
    	images_data,images_label = val_data[0],val_data[1]
	elif mode == 'test': #  当传入参数为“test”时
   		images_data,images_label = test_data[0],test_data[1]
	
	# 获取图片的数量，数据集信息可用np.array().shape获取
	image_len = len(images_data)

	# 图片由（-1，1）之间的数字组成，因此图片又被称为数字图像
	# 图片行数
	IMAGE_ROW = 28 
	# 图片列数
	IMAGE_COL = 28 
	
	# 模型每次读取数据集个数
	BATCH_NUM = 100  
	
	# 图片编号，构建（0，1，2....image_len-1）相对于为每张图片进行编号，从0开始
	index_list = list(range(image_len)) 

	# 数据读取
	def data_generator():
    	if mode == 'train':
    		# 乱序，打乱图片顺序
        	random.shuffle(index_list)
        # 建立一个用来存储图片的空list
    	image_list = []
    	# 建立一个用来存储标签的空list
    	label_list = []
	
		# 遍历数据集
    	for i in index_list:
    		# 加载第i个数据集中的图片，并对其重新排列
        	image = np.reshape(images_data[i],[1,IMAGE_ROW,IMAGE_COL]).astype('float32')
        	# 加载第i个数据集中的标签，并对其重新排列
       	 	label = np.reshape(images_label[i],[1]).astype('int64')
       	 	# 将加载进来的图片存入list中
        	image_list.append(image)
        	# 将加载进来的标签存入list中
        	label_list.append(label)
			
			# 当list中的个数为100个时，将数据集进行返回
        	if len(image_list) == BATCH_NUM:
        		# yield用于分批读取数据用于减少计算机负担
            	yield np.