paddlepaddle运行MNIST测试集及单层线性回归

项目地址：project_path

测试函数：

模型在测试集上的准确率为：23.96%(向下取整)

模型在测试集上的准确率为：18.24%(向上取整)

之所以这样设置，是因为网络是单层神经网络（784——>1)，模型仅输出1个值

import paddle
import paddle.nn.functional as F

# 加载测试集 batch_size 设为 1
test_loader = paddle.io.DataLoader(paddle.vision.datasets.MNIST(mode='test'), 
                                   batch_size=1, 
                                   shuffle=False)

def test(model):
    # 评估模式
    model.eval()
    correct = 0
    total = len(test_loader.dataset)
    
    with paddle.no_grad():
        for batch_id, data in enumerate(test_loader()):
            images = norm_img(data[0]).astype('float32')
            labels = data[1].astype('float32')
            
            # 前向计算
            predicts = model(images)
            
            # 计算准确率
            predict_labels = paddle.floor(predicts)    # 向下取整，向上换成ceil
            correct += paddle.sum(paddle.cast(predict_labels == labels, 'int')).numpy()
    
    accuracy = correct / total
    print("模型在测试集上的准确率为：{:.2%}".format(accuracy[0]))

# 加载模型并进行测试
model = MNIST()
params_file_path = 'mnist.pdparams'
param_dict = paddle.load(params_file_path)
model.load_dict(param_dict)
test(model)

总结：模型性能的缺陷，导致一层神经网络无法很好学习到手写数字的特征，随机性较大，因此，考虑加深神经网络或者设计更加复杂的模型。