手写数字的模型训练与保存笔记

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