深度学习数字仪表盘识别_【深度学习系列】手写数字识别实战

上周在搜索关于深度学习分布式运行方式的资料时，无意间搜到了paddlepaddle，发现这个框架的分布式训练方案做的还挺不错的，想跟大家分享一下。不过呢，这块内容太复杂了，所以就简单的介绍一下paddlepaddle的第一个“hello word”程序----mnist手写数字识别。下一次再介绍用PaddlePaddle做分布式训练的方案。其实之前也写过一篇用CNN识别手写数字集的文章(链接戳这里~)，是用keras实现的，这次用了paddlepaddle后，正好可以简单对比一下两个框架的优劣。

什么是PaddlePaddle？

PaddlePaddle是百度推出的一个深度学习框架，可能大多数人平常用的比较多的一般是tensorflow，caffe，mxnet等，但其实PaddlePaddle也是一个非常不错的框架(据说以前叫Paddle，现在改名叫PaddlePaddle，不知道为啥总觉得有股莫名的萌点)

PaddlePaddle能做什么?

传统的基本都能做，尤其对NLP的支持很好，譬如情感分析，word embedding，语言模型等，反正你想得到的，常见的都可以用它来试一试~

PaddlePaddle的安装

不得不吐槽一下PaddlePaddle的安装，官网上说“PaddlePaddle目前唯一官方支持的运行的方式是Docker容器”，而docker其实在国内还并不是特别的流行，之前遇到的所有的框架，都有很多种安装方式，非常方便，所以这个唯一支持docker让人觉得非常诡异 = =！不过偶然试了一下，居然可以用pip install，不过为啥官网上没有写呢？所以，对于新手来说，最简单的安装方式就是：

CPU版本安装

pip install paddlepaddle

GPU版本安装

pip install paddlepaddle-gpu

用PaddlePaddle实现手写数字识别

训练步骤

传统的方式这次就不展开讲了，为了对比我们还是用CNN来进行训练。PaddlePaddle训练一次模型完整的过程可以如下几个步骤：

导入数据---->定义网络结构---->训练模型---->保存模型---->测试结果

下面，我直接用代码来展示训练的过程(以后代码都会放在github里)：

#coding:utf-8

importosfrom PIL importImageimportnumpy as npimportpaddle.v2 as paddle#设置是否用gpu，0为否，1为是

with_gpu = os.getenv('WITH_GPU', '0') != '1'

#定义网络结构

defconvolutional_neural_network_org(img):#第一层卷积层

conv_pool_1 =paddle.networks.simple_img_conv_pool(

input=img,

filter_size=5,

num_filters=20,

num_channel=1,

pool_size=2,

pool_stride=2,

act=paddle.activation.Relu())#第二层卷积层

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())#全连接层

predict =paddle.layer.fc(

input=conv_pool_2, size=10, act=paddle.activation.Softmax())returnpredictdefmain():#初始化定义跑模型的设备

paddle.init(use_gpu=with_gpu, trainer_count=1)#读取数据

images =paddle.layer.data(

name='pixel', type=paddle.data_type.dense_vector(784))

label=paddle.layer.data(

name='label', type=paddle.data_type.integer_value(10))#调用之前定义的网络结构

predict =convolutional_neural_network_org(images)#定义损失函数

cost = paddle.layer.classification_cost(input&