paddle手写数字识别解析（多方法）

项目传送门

如有不对请及时指出，非常感谢！

项目一

基于PaddlePaddle2.0-构建线性回归模型
理论可以看原文，非常详细，而且很细节（太菜了看不懂）
下面对代码解析和白话理解！

import numpy  # 导入第三方库

num_inputs=2
num_examples=500
true_w=[1.2,2.5]
true_b=6.8


features = numpy.random.normal(0,1,(num_examples, num_inputs)).astype('float32')  # 从正态（高斯）分布中抽取随机样本。
labels = features[:,0]*true_w[0]+features[:,1]*true_w[1]+true_b  # 对正态数据进行加权处理
labels = labels + numpy.random.normal(0,0.001,labels.shape[0])  # 添加ε
labels = labels.astype('float32')  # 转换数据为float32
labels = numpy.expand_dims(labels,axis=-1) #注意：需要在最后增加一个维度
print(labels.shape)

(500, 1)

print('features大小：', features.shape)
print('features[:,0]小：', features[:,0].shape)

features大小： (500, 2)
features[:,0]小： (500,)

numpy.random.normal函数

numpy.random.normal(loc=0.0, scale=1.0, size=None)
从正态（高斯）分布中抽取随机样本。

import paddle  # 导入第三方库

train_data=paddle.to_tensor(features)  # 训练集转换为paddle Tensor
y_true=paddle.to_tensor(labels)  # 测试集转换为paddle Tensor
model=paddle.nn.Linear(in_features=2, out_features=1)  # 定义线性网络

paddle.nn.Linear(in_features, out_features, weight_attr=None, bias_attr=None, name=None):线性变换层-输出 官方文档传送门

# 查看网络
paddle.summary(model, (2,))  

---------------------------------------------------------------------------
 Layer (type)       Input Shape          Output Shape         Param #    
===========================================================================
   Linear-1            [[2]]                 [1]                 3       
===========================================================================
Total params: 3
Trainable params: 3
Non-trainable params: 0
---------------------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.00
Params size (MB): 0.00
Estimated Total Size (MB): 0.00
---------------------------------------------------------------------------

{'total_params': 3, 'trainable_params': 3}

# 随机梯度下降算法的优化器
sgd_optimizer=paddle.optimizer.SGD(learning_rate=0.001, parameters=model.parameters())
# loss计算
mse_loss=paddle.nn.MSELoss()

for i in range(5000):  # 设置500个epoch
    y_predict = model(train_data)  # 训练集喂进模型
    loss=mse_loss(y_predict, y_true)  # 计算loss
    loss.backward()  # 反向传播
    # 优化器进行优化
    sgd_optimizer.step()
    sgd_optimizer.clear_grad()

print(model.weight.numpy())  # 输出w的值
print(model.bias.numpy())  # 输出b的值
print(loss.numpy())  # 输出loss

[[1.1999037]
 [2.4999018]]
[6.799708]
[1.0670032e-06]

设定w1 = 1.2 ，w2 = 2.5 ，b = 6.8
实际w1 = 1.99, w2 = 2.499,b = 6.799
效果比较好，拟合程度高

项目二

基于PaddlePaddle2.0-构建softmax分类器
理论可以看原文，非常详细，而且很细节（太菜了看不懂）
下面对代码解析和白话理解！

paddle.vision.datasets.MNIST MNIST 数据集 官方api传送门

import paddle

train_dataset