先是模型训练的代码
#加载飞桨和相关类库
import paddle
import paddle.fluid as fluid
from paddle.fluid.dygraph.nn import FC
import numpy as np
import os
from PIL import Image
# # 如果~/.cache/paddle/dataset/mnist/目录下没有MNIST数据,API会自动将MINST数据下载到该文件夹下
# # 设置数据读取器,读取MNIST数据训练集
# trainset = paddle.dataset.mnist.train()
# # 包装数据读取器,每次读取的数据数量设置为batch_size=8
# train_reader = paddle.batch(trainset, batch_size=8)
# # 以迭代的形式读取数据
# for batch_id, data in enumerate(train_reader()):
# # 获得图像数据,并转为float32类型的数组
# img_data = np.array([x[0] for x in data]).astype('float32')
# # 获得图像标签数据,并转为float32类型的数组
# label_data = np.array([x[1] for x in data]).astype('float32')
# # 打印数据形状
# print("图像数据形状和对应数据为:", img_data.shape, img_data[0])
# print("图像标签形状和对应数据为:", label_data.shape, label_data[0])
# break
# print("\n打印第一个batch的第一个图像,对应标签数字为{}".format(label_data[0]))
# # 显示第一batch的第一个图像
# import matplotlib.pyplot as plt
# img = np.array(img_data[0]+1)*127.5
# img = np.reshape(img, [28, 28]).astype(np.uint8)
# plt.figure("Image") # 图像窗口名称
# plt.imshow(img)
# plt.axis('on') # 关掉坐标轴为 off
# plt.title('image') # 图像题目
# plt.show()
# 定义mnist数据识别网络结构,同房价预测网络
class MNIST(fluid.dygraph.Layer):
def __init__(self, name_scope):
super(MNIST, self).__init__(name_scope)
name_scope = self.full_name()
# 定义一层全连接层,输出维度是1,激活函数为None,即不使用激活函数
self.fc = FC(name_scope, size=1, act=None)
# 定义网络结构的前向计算过程
def forward(self, inputs):
outputs = self.fc(inputs)
return outputs
# # 定义飞桨动态图工作环境
# with fluid.dygraph.guard():
# # 声明网络结构
# model = MNIST("mnist")
# # 启动训练模式
# model.train()
# # 定义数据读取函数,数据读取batch_size设置为16
# train_loader = paddle.batch(paddle.dataset.mnist.train(), batch_size=16)
# # 定义优化器,使用随机梯度下降SGD优化器,学习率设置为0.001
# optimizer = fluid.optimizer.SGDOptimizer(learning_rate=0.001)
# 通过with语句创建一个dygraph运行的context,
# 动态图下的一些操作需要在guard下进行
with fluid.dygraph.guard():
model = MNIST("mnist")
model.train()
train_loader = paddle.batch(paddle.dataset.mnist.train(), batch_size=16)
optimizer = fluid.optimizer.SGDOptimizer(learning_rate=0.001)
EPOCH_NUM = 10
for epoch_id in range(EPOCH_NUM):
for batch_id, data in enumerate(train_loader()):
#准备数据,格式需要转换成符合框架要求的
image_data = np.array([x[0] for x in data]).astype('float32')
label_data = np.array([x[1] for x in data]).astype('float32').reshape(-1, 1)
# 将数据转为飞桨动态图格式
image = fluid.dygraph.to_variable(image_data)
label = fluid.dygraph.to_variable(label_data)
#前向计算的过程
predict = model(image)
#计算损失,取一个批次样本损失的平均值
loss = fluid.layers.square_error_cost(predict, label)
avg_loss = fluid.layers.mean(loss)
#每训练了1000批次的数据,打印下当前Loss的情况
if batch_id !=0 and batch_id % 1000 == 0:
print("epoch: {}, batch: {}, loss is: {}".format(epoch_id, batch_id, avg_loss.numpy()))
#后向传播,更新参数的过程
avg_loss.backward()
optimizer.minimize(avg_loss)
model.clear_gradients()
# 保存模型
fluid.save_dygraph(model.state_dict(), 'mnist')
然后是模型调用
#加载飞桨、Numpy和相关类库
import paddle
import paddle.fluid as fluid
import paddle.fluid.dygraph as dygraph
from paddle.fluid.dygraph import FC
import numpy as np
import os
import random
# 导入图像读取第三方库
from PIL import Image
import matplotlib.image as mpimg
import matplotlib.pyplot as plt
# 读取一张本地的样例图片,转变成模型输入的格式
def load_image(img_path):
# 从img_path中读取图像,并转为灰度图
im = Image.open(img_path).convert('L')
print(np.array(im))
im = im.resize((28, 28), Image.ANTIALIAS)
im = np.array(im).reshape(1, -1).astype(np.float32)
# 图像归一化,保持和数据集的数据范围一致
im = 2 - im / 127.5
return im
# 定义mnist数据识别网络结构,同房价预测网络
class MNIST(fluid.dygraph.Layer):
def __init__(self, name_scope):
super(MNIST, self).__init__(name_scope)
name_scope = self.full_name()
# 定义一层全连接层,输出维度是1,激活函数为None,即不使用激活函数
self.fc = FC(name_scope, size=1, act=None)
# 定义网络结构的前向计算过程
def forward(self, inputs):
outputs = self.fc(inputs)
return outputs
# 定义预测过程
with fluid.dygraph.guard():
model = MNIST("mnist")
params_file_path = 'mnist'
img_path = './work/example_0.png'
# 加载模型参数
model_dict, _ = fluid.load_dygraph("mnist")
model.load_dict(model_dict)
model.eval()
tensor_img = load_image(img_path)
result = model(fluid.dygraph.to_variable(tensor_img))
#预测输出取整,即为预测的数字
print("本次预测的数字是", result.numpy().astype('int32'))
原文档链接:https://aistudio.baidu.com/bjcpu/user/173710/236534/notebooks/236534.ipynb?redirects=1