飞桨day-01手写数字识别实践(使用卷积神经网络)

本文介绍了使用飞桨框架的高层API实现手写数字识别的步骤,包括数据加载预处理、模型开发、模型结构可视化、模型评估测试与部署。在模型优化后,达到99%以上的训练和评估准确率。
摘要由CSDN通过智能技术生成

day-01高层API手写数字识别实践(使用卷积神经网络)

AI Studio项目地址:https://aistudio.baidu.com/aistudio/projectdetail/1504778

在这里插入图片描述

一、导入相关库

import paddle
import numpy as np
import matplotlib.pyplot as plt

paddle.__version__  # 查看paddle版本

二、数据准备

1、数据加载和预处理
import paddle.vision.transforms as T

# 数据的加载和预处理
transform = T.Normalize(mean=[127.5], std=[127.5])

# 训练数据集
train_dataset = paddle.vision.datasets.MNIST(mode='train', transform=transform)

# 评估数据集
eval_dataset = paddle.vision.datasets.MNIST(mode='test', transform=transform)

print('训练数据集样本数: {}, 验证数据集样本数: {}'.format(len(train_dataset), len(eval_dataset)))
2、数据集查看
print('图片')
print(type(train_dataset[120][0]))
print(train_dataset[120][0])
print('标签')
print(type(train_dataset[120][1]))
print(train_dataset[120][1])

# 可视化展示
# print(train_dataset[120][0].shape)  # (-1, 28, 28)
plt.figure()
plt.imshow(train_dataset[120][0].reshape([28, 28]), cmap=plt.cm.binary)  # 展示前要先将图片的格式转换为(28, 28)的形状
plt.show()

在这里插入图片描述

三、模型选择和开发

# 本次使用两层卷积层加上两层最大池化层和两层全连接层来构建网络
network = paddle.nn.Sequential(
    # 卷积层的输入通道数为1,输出通道数为20, 卷积核大小为3*3, 移动步长为1,同卷积
    paddle.nn.Conv2D(in_channels=1, out_channels=20
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值