【paddle深度学习高层API七日打卡营】大作业解析——三岁无良版本

模型：

随便选，模型参数初始化（如：uniform和normal）可以随意调整。

模型训练

各种超参数（如：epochs、batch_size）可以随意调整。

评判标准

最终以model.evaluate的精度输出值（格式如下），计算方式是将eval_dataset送入evaluate接口即可，需要在model.prepare中配置评估指标Accuracy，所用数据集不能被用于训练过。
{‘loss’: [6.4980035], ‘acc’: 0.8485721442885772}

代码质量高（注释好、代码逻辑清晰等）会有额外精美礼品相送。
使用resnet50外的模型会有额外精美礼品相送。

导入相关库

import paddle
import numpy as np

paddle.__version__

‘2.0.0’

② 数据准备

import paddle.vision.transforms as T

# 训练数据集
train_dataset = paddle.vision.datasets.Cifar100(mode='train', transform=T.ToTensor())

# 验证数据集
eval_dataset = paddle.vision.datasets.Cifar100(mode='test', transform=T.ToTensor())
print('训练集样本量: {}，验证集样本量: {}'.format(len(train_dataset), len(eval_dataset)))

训练集样本量: 50000，验证集样本量: 10000

• 查看图片数据

print('图片：')
print(type(train_dataset[0][0]))
print(train_dataset[0][0])
print('标签：')
print(type(train_dataset[0][1]))
print(train_dataset[0][1])

图片：
<class 'paddle.VarBase'>
Tensor(shape=[3, 32, 32], dtype=float32, place=CUDAPlace(0), stop_gradient=True,
       [[[1.        , 1.        , 1.        , ..., 0.76470596, 0.83137262, 0.71372551],
         [1.        , 0.99607849, 0.99607849, ..., 0.66666669, 0.63137257, 0.57254905],
         [1.        , 0.99607849, 1.        , ..., 0.74117649, 0.65098041, 0.47450984],
         ...,
         [0.58039218, 0.55686277, 0.54901963, ..., 0.11764707, 0.25490198, 0.29803923],
         [0.47843140, 0.47058827, 0.49411768, ..., 0.08627451, 0.38039219, 0.55294120],
         [0.34117648, 0.34509805, 0.39607847, ..., 0.13333334, 0.41176474, 0.54117650]],

        [[1.        , 1.        , 1.        , ..., 0.80392164, 0.87843144, 0.76078439],
         [1.        , 0.99607849, 0.99607849, ..., 0.69019610, 0.65882355, 0.60392159],
         [1.        , 0.99607849, 1.        , ..., 0.78039223, 0.69803923, 0.52156866],
         ...,
         [0.72549021, 0.71372551, 0.70196080, ..., 0.06666667, 0.24313727, 0.30196080],
         [0.61568630, 0.60784316, 0.62745100, ..., 0.06274510, 0.43921572, 0.63137257],
         [0.47843140, 0.47843140, 0.52549022, ..., 0.14117648, 0.52156866, 0.67843139]],

        [[1.        , 1.        , 1.        , ..., 0.75686282, 0.80000007, 0.65490198],
         [1.        , 0.99607849, 0.99607849, ..., 0.58823532, 0.50980395, 0.44313729],
         [1.        , 0.99607849, 1.        , ..., 0.66274512, 0.50980395, 0.34117648],
         ...,
         [0.30980393, 0.22352943, 0.23529413, ..., 0.00392157, 0.05882353, 0.07843138],
         [0.25882354, 0.22745100, 0.27843139, ..., 0.01176471, 0.21960786, 0.34117648],
         [0.16078432, 0.15294118, 0.21960786, ..., 0.03921569, 0.23137257, 0.30980393]]])
>标签：
<class 'numpy.ndarray'>
19

③ 模型选择和开发

• 3.1 模型开发(可视化）

network = paddle.vision.models.resnet18(num_classes=100)
model = paddle.Model(network)
model.summary((-1, 3, 32, 32))

此处应该根据自己的实际情况修改模型

可以参考作业2（图像识别）resnet50效果比较好但是不会加分

④ 模型训练和调优

model.prepare(paddle.optimizer.Adam(learning_rate=0.001,  # 学习率
  parameters=model.parameters()),
              paddle.nn.CrossEntropyLoss(),
              paddle.metric.Accuracy())  # 自己做作业的时候一定要配置这个Accuracy的评估指标，不然没有分数！！！！
model.fit(train_dataset,
          eval_dataset,
          epochs=20,  # 训练轮数
          batch_size=64,  # 批处理数
          verbose=1)  # 日志展示形式

评分输出
正确的输出格式为:

{‘loss’: [6.4980035], ‘acc’: 0.8485721442885772}

result = model.evaluate(eval_dataset, verbose=1)

print(result)

大家根据实际情况进行修改，可以修改网络，添加训练轮数，修改学习率，也可以做图片增强……

祝大家顺利结业！