PaddlePaddle 7日训练营CV疫情特辑总结_paddlepaddle|cv疫情特辑(五):人流密度检测-CSDN博客

本文链接：https://blog.csdn.net/weixin_42815846/article/details/105369841

PaddlePaddle 7日训练营CV疫情特辑总结

什么是paddle paddle？
7日训练营CV疫情特辑

什么是paddle paddle？

飞桨 (PaddlePaddle) 以百度多年的深度学习技术研究和业务应用为基础，集深度学习核心框架、基础模型库、端到端开发套件、工具组件和服务平台于一体，2016 年正式开源，是全面开源开放、技术领先、功能完备的产业级深度学习平台。

7日训练营CV疫情特辑

百度官方经常举办这样7日训练营的活动，来给大家普及非常实用且有趣的有关于机器学习的知识。无论你是新手小白还是技术大佬，都一定能在这里学到知识，还能交到好的朋友，互相交流学习经验，共同进步。最终还有paddleHub比赛，如果你是深度学习达人，这一定是你大展身手的好地方！当然，如果你是小白，这也是你踏入深度学习大门的最佳途径！

Day 1：新冠疫情可视化

第一天，我们学习了较为简单但有趣的新冠疫情可视化方法，这次课的内容，让我们学会了爬取数据，分析数据，以及可视化。还让我入门了一个非常有用的包：百度开源的pyecharts。这个包对数据进行可视化，还可以调许多参数得到自己想要的图形，包括3D，渲染出的图像也非常的好看，非常值得一学！

涉及知识点：爬虫、python http方法、pyecharts库

一、数据准备

用到的模块

部分代码展示

def crawl_dxy_data():
    """
    爬取丁香园实时统计数据，保存到data目录下，以当前日期作为文件名，存JSON文件
    """
    response = requests.get('https://ncov.dxy.cn/ncovh5/view/pneumonia') #request.get()用于请求目标网站

    try:
        url_text = response.content.decode()                             #更推荐使用response.content.deocde()的方式获取响应的html页面
        
        url_content = re.search(r'window.getAreaStat = (.*?)}]}catch', 
                                url_text, re.S)                          

        texts = url_content.group()                                      #获取匹配正则表达式的整体结果
        content = texts.replace('window.getAreaStat = ', '').replace('}catch', '') #去除多余的字符
        json_data = json.loads(content)
        with open('data/' + today + '.json', 'w', encoding='UTF-8') as f:
            json.dump(json_data, f, ensure_ascii=False)
    except:
        print('<Response [%s]>' % response.status_code)

二、疫情地图

这里我们用到了：pyecharts 他是一个由百度开源的数据可视化工具，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而 Python 是一门富有表达力的语言，很适合用于数据处理。当数据分析遇上数据可视化时，pyecharts 诞生了。pyecharts api可以参考：https://pyecharts.org/#/zh-cn/chart_api

下载方式（清华源非常快哦 : ) ）

! pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyecharts

三、成果展示

全国疫情地图
在这里插入图片描述
各省确诊情况

疫情增长趋势

非常漂亮有木有！！！！

Day 2 ~ Day 6：

接下来的任务就开始进入正题了，每天都在写代码，调试代码，为了让自己的代码跑出更好的结果，为了获取更多的知识，更为了不辜负班主任一片苦心与付出！！！
以下展示我们这么多天以来的艰辛！当然同时也伴随着学习的快乐！

天数	项目	任务
Day 2	手势识别	识别手上比的数字
Day 3	车牌识别	识别车牌号号码
Day 4	口罩分类	对口罩进行识别
Day 6	PaddleSlim模型压缩	实现无损定点量化

想必大家也注意到了，这里没有给出Day 5。
别着急~ 因为这是非常有趣的一个项目，所以放到最后~

成果展示

这里就不放出代码啦，直接给出我的训练结果。若是大家看了我的成果后心动了，可以亲自去百度训练营试一试哦~ 百度提供了很好的框架，还有免费V100可用呢！！！

手势识别

还记得当时做这个实验的时候，历经千辛万苦，终于才识别成功。这不是一个简单的实验，对我的考验很大，是一次历练的过程哈哈哈
嘻嘻嘻

车牌识别

好吧我认输… 我承认这次的实验没有得到满意的结果…
在这里插入图片描述
但是！！！我的正确率是有90以上的！！以图为证！证明我是真的有努力的T﹏T

口照分类

看吧，这个结果还不错是吧(●’◡’●)
在这里插入图片描述

PaddleSlim模型压缩

资料
PaddleSlim代码地址： https://github.com/PaddlePaddle/PaddleSlim
文档地址：https://paddlepaddle.github.io/PaddleSlim/

介绍
PaddleSlim是一个模型压缩工具库，包含模型剪裁、定点量化、知识蒸馏、超参搜索和模型结构搜索等一系列模型压缩策略。

我们这次项目涉及到的就是对模型进行无损量化

量化步骤

导入依赖
构建模型
训练模型
量化
训练和测试量化后的模型
保存量化后的模型

1、导入依赖
PaddleSlim依赖Paddle1.7版本，请确认已正确安装Paddle，然后按以下方式导入Paddle和PaddleSlim:

import paddle
import paddle.fluid as fluid
import paddleslim as slim
import numpy as np

2、构建模型
该章节构造一个用于对MNIST数据进行分类的分类模型，选用MobileNetV1，并将输入大小设置为[1, 28, 28]，输出类别数为10。为了方便展示示例，我们在paddleslim.models下预定义了用于构建分类模型的方法，执行以下代码构建分类模型：

use_gpu = fluid.is_compiled_with_cuda()
exe, train_program, val_program, inputs, outputs = slim.models.image_classification("MobileNet", [1, 28, 28], 10, use_gpu=use_gpu)
place = fluid.CUDAPlace(0) if fluid.is_compiled_with_cuda() else fluid.CPUPlace()

3、定义输入数据
为了快速执行该示例，我们选取简单的MNIST数据，Paddle框架的paddle.dataset.mnist包定义了MNIST数据的下载和读取。代码如下：

import paddle.dataset.mnist as reader
> train_reader = paddle.batch(
        reader.train(), batch_size=128, drop_last=True)
> test_reader = paddle.batch(
        reader.test(), batch_size=128, drop_last=True)
data_feeder = fluid.DataFeeder(inputs, place)

4、训练和测试
为了快速执行该示例，我们选取简单的MNIST数据，Paddle框架的paddle.dataset.mnist包定义了MNIST数据的下载和读取。代码如下：

def train(prog):
    iter = 0
    for data in train_reader():
        acc1, acc5, loss = exe.run(prog, feed=data_feeder.feed(data), fetch_list=outputs)
        if iter % 25 == 0:
            print('train iter={}, top1={}, top5={}, loss={}'.format(iter, acc1.mean(), acc5.mean(), loss.mean()))
        iter += 1
        
def test(prog):
    iter = 0
    res = [[], []]
    for data in test_reader():
        acc1, acc5, loss = exe.run(prog, feed=data_feeder.feed(data), fetch_list=outputs)
        if iter % 100 == 0:
            print('test iter={}, top1={}, top5={}, loss={}'.format(iter, acc1.mean(), acc5.mean(), loss.mean()))
        res[0].append(acc1.mean())
        res[1].append(acc5.mean())
        iter += 1
    print('final test result top1={}, top5={}'.format(np.array(res[0]).mean(), np.array(res[1]).mean()))

train(train_program)

test(val_program)

5、量化模型
按照配置在train_program和val_program中加入量化和反量化op.

place = exe.place
quant_program = slim.quant.quant_aware(train_program, exe.place, for_test=False)
val_quant_program = slim.quant.quant_aware(val_program, exe.place, for_test=True)

6、训练和测试量化后的模型
按照配置在train_program和val_program中加入量化和反量化op.

train(quant_program)

test(val_quant_program)

结果展示

量化前：
哈哈哈
量化后：
在这里插入图片描述
至此，我成功地实现了模型的无损量化！（表扬一下自己哈哈😄）

Finally：Day 5 比赛——人流密度检测

这个比赛非常有趣，最终大概有300来人提交，不论你的模型是什么类型：BP神经网络，反馈型，CNN，都能拿上来跑一跑，生成自己的排名。而且排名是个很大的激励，让你总想优化自己的模型，得到更高的rank。
在这里插入图片描述

感想与心得

好了，终于到最后了，终于可以暂时抛开学术性的东西，来谈一谈个人的想法和这几天的经历了哈哈哈。
刚开始看到这个比赛的时候还不到4月份。因为我是大三的学生，这学期呢又正好上人工智能，我们教授也要求我们使用百度AI Stuido平台，使用百度的框架。因此呢就想来学一学，入个门，就当提前预习一下，然后就报名了。
当我被拉进群的时候，是在第4群，人非常多，大家的热情也很高。有问题随时都能发到群里问，会有助教，班主任，甚至是同期的训练营的厉害的学员都会来帮你解答，都非常热心。
这7天里其实我也挺忙的，课程非常繁重，每天还要抽时间学习训练营的东西，写代码，调式，优化。确实是差点没坚持过来。但，幸运的是，我坚持过来了，每天抽出时间先把paddle paddle的代码和作业做了，代码就让它在那里跑，然后继续回去写学校的作业。当然，没有忘记要顶个闹钟⏰，因为要看看自己跑的代码怎么样了哈哈😄
印象最深刻的一点是什么呢…当然是抢GPU啦！
用过的小伙伴都知道，V100很香！但也很难枪！因为大家的热情都实在太高了，要是你稍微没那么积极的话，就别想用GPU了哈哈哈。做PaddleHub比赛——人流密度期间，为了用上GPU来跑代码（要是没GPU那真是…）半夜起来跑代码。。。跑上之后睡一觉，几个小时之后又起来看哈哈~ 真是一件令人哭笑不得的事情。不过没关系，学习嘛，值得~