paddle练手二：用Lenet-5训练Cifar数据库

直接上代码，把所有文件存放在一个根目录CifarLenet5文件夹里面

右键打开运行终端，输入python train.py进行训练；输入python infer.py进行测试，测试数据为一张图像，可以自行下载

文件train.py

# encoding:utf-8
import os
import sys
import paddle.v2 as paddle
from cnn import convolutional_neural_network


class TestCIFAR:
    def __init__(self):
        # 该模型运行在CPU上，CPU的数量为2
        paddle.init(use_gpu=False, trainer_count=2)

    # *****************获取训练器********************************
    def get_trainer(self):

        # 获取分类器
        out = convolutional_neural_network()

        # 定义标签
        label = paddle.layer.data(name="label",
                                  type=paddle.data_type.integer_value(10))

        # 获取损失函数
        cost = paddle.layer.classification_cost(input=out, label=label)

        # 获取参数
        parameters = paddle.parameters.create(layers=cost)

        """
        定义优化方法
        learning_rate 迭代的速度
        momentum 跟前面动量优化的比例
        regularzation 正则化,防止过拟合
        :leng re
        """
        optimizer = paddle.optimizer.Momentum(learning_rate=0.1 / 128.0,
                                              momentum=0.9,
                                              regularization=paddle.optimizer.L2Regularization(rate=0.0005 * 128))
        '''
        创建训练器
        cost 分类器
        parameters 训练参数,可以通过创建,也可以使用之前训练好的参数
        update_equation 优化方法
        '''
        trainer = paddle.trainer.SGD(cost=cost,
                                     parameters=parameters,
                                     update_equation=optimizer)
        return trainer

    # *****************开始训练********************************
    def start_trainer(self):
        # 获取训练器
        trainer = self.get_trainer()

        # 定义训练事件
        def event_handler(event):
            lists = []
            if isinstance(event, paddle.event.EndIteration):
                if event.batch_id % 100 == 0:
                    print "\nPass %d, Batch %d, Cost %f, %s" % (
                        event.pass_id, event.batch_id, event.cost, event.metrics)
                else:
                    sys.stdout.write('.')
                    sys.stdout.flush()
            if isinstance(event, paddle.event.EndPass):
                # 保存模型
                with open("modelCifar.tar", 'w') as f:
                    trainer.save_parameter_to_tar(f=f)
                # 使用测试进行测试
                result = trainer.test(reader=paddle.batch(paddle.dataset.cifar.test10(), batch_size=128))# 应为test10
                print "\nTest with Pass %d, Cost %f, %s\n" % (event.pass_id, result.cost, result.metrics)
                lists.append((event.pass_id, result.cost, result.metrics['classification_error_evaluator']))

        # 获取数据
        #reader = paddle.batch(paddle.reader.shuffle(paddle.dataset.mnist.train(), buf_size=20000),
                            #  batch_size=128)
        reader = paddle.batch(reader=paddle.reader.shuffle(reader=paddle.dataset.cifar.train10(),# 注意为train10
                                                           buf_size=20000),
                              batch_size=128)
        '''
        开始训练
        reader 训练数据
        num_passes 训练的轮数
        event_handler 训练的事件,比如在训练的时候要做一些什么事情
        '''
        trainer.train(reader=reader,
                      num_passes=1,
                      event_handler=event_handler)


if __name__ == "__main__":
    testCIFAR = TestCIFAR()
    # 开始训练
    testCIFAR.start_trainer()

文件cnn.py

# coding=utf-8 windows默认的编码方式是GBK，python文件保存时使用了utf-8
import paddle.v2 as paddle# import A as B,给予A库一个B的别称，帮助记忆

# 定义卷积神经网络LeNet-5
def convolutional_neural_network():
    # 定义数据模型
    img = paddle.layer.data(name="pixel",
                            type=paddle.data_type.dense_vector(3072))# 数据大小是32*32*3,即3072
    # 第一个卷积与池化层
    conv_pool_1 = paddle.networks.simple_img_conv_pool(input=img,
                                                       filter_size=5,# 卷积核的尺寸
                                                       num_filters=20,# 卷积核的个数
                                                       num_channel=3,# channel也叫depth，1代表灰色图像，3代表彩色图像
                                                       pool_size=2,# 池化大小
                                                       pool_stride=2,# 池化步长
                                                       act=paddle.activation.Relu())# 激活函数Relu
    # 第二个卷积与池化层
    conv_pool_2 = paddle.networks.simple_img_conv_pool(input=conv_pool_1,
                                                       filter_size=5,
                                                       num_filters=50,
                                                       num_channel=20,
                                                       pool_size=2,
                                                       pool_stride=2,
                                                       act=paddle.activation.Relu())
    # 全连接输出层
    predict = paddle.layer.fc(input=conv_pool_2,
                              size=10,# 以softmax为激活函数的全连接输出层，输出层的大小必须为类别的个数10
                              act=paddle.activation.Softmax())
    return predict

文件infer.py

# encoding:utf-8
import numpy as np
import paddle.v2 as paddle
from PIL import Image
from cnn import convolutional_neural_network


class TestCIFAR:
    def __init__(self):
        # 该模型运行在CPU上，CPU的数量为2
        paddle.init(use_gpu=False, trainer_count=2)


    # *****************获取参数********************************
    def get_parameters(self):
        with open("modelCifar.tar", 'r') as f:
            parameters = paddle.parameters.Parameters.from_tar(f)
        return parameters


    # *****************获取你要预测的参数********************************
    def get_TestData(self ,path):
        def load_images(file):
            # 打开图像
            im = Image.open(file)
            # 缩小到跟训练数据一样大小
            im = im.resize((32, 32), Image.ANTIALIAS)
            im = np.array(im).astype(np.float32).flatten()
            im = im / 255.0
            return im

        test_data = []
        test_data.append((load_images(path),))
        return test_data

    # *****************使用训练好的参数进行预测********************************
    def to_prediction(self, out, parameters, test_data):

        # 开始预测
        probs = paddle.infer(output_layer=out,
                             parameters=parameters,
                             input=test_data)
        # 处理预测结果并打印
        lab = np.argsort(-probs)
        print "预测结果为: %d" % lab[0][0]


if __name__ == "__main__":
    testCIFAR = TestCIFAR()
    # 开始预测
    out = convolutional_neural_network()
    parameters = testCIFAR.get_parameters()
    test_data = testCIFAR.get_TestData('deer4.jpg')
    testCIFAR.to_prediction(out=out, parameters=parameters, test_data=test_data)