2021-10-19

 

import paddle
from paddle.nn import Linear
import paddle.nn.functional as F
import os
import numpy as np
import matplotlib.pyplot as plt
train_dataset = paddle.vision.datasets.MNIST(mode=‘train’)
train_data0 = np.array(train_dataset[0][0])
train_label_0 = np.array(train_dataset[0][1])

显示第一batch的第一个图像

import matplotlib.pyplot as plt
plt.figure(“Image”) # 图像窗口名称
plt.figure(figsize=(2,2))
plt.imshow(train_data0, cmap=plt.cm.binary)
plt.axis(‘on’) # 关掉坐标轴为 off
plt.title(‘image’) # 图像题目
plt.show()
print(“图像数据形状和对应数据为:”, train_data0.shape)
print(“图像标签形状和对应数据为:”, train_label_0.shape, train_label_0)
print("\n打印第一个batch的第一个图像，对应标签数字为{}".format(train_label_0))

定义mnist数据识别网络结构，同房价预测网络

class MNIST(paddle.nn.Layer):
def init(self):
super(MNIST, self).init()

   # 定义一层全连接层，输出维度是1
    self.fc = paddle.nn.Linear(in_features=784, out_features=1)
    
# 定义网络结构的前向计算过程
def forward(self, inputs):
    outputs = self.fc(inputs)
    return outputs

声明网络结构

model = MNIST()

def train(model):
# 启动训练模式
model.train()
# 加载训练集 batch_size 设为 16
train_loader = paddle.io.DataLoader(paddle.vision.datasets.MNIST(mode=‘train’),
batch_size=16,
shuffle=True)
# 定义优化器，使用随机梯度下降SGD优化器，学习率设置为0.001
opt = paddle.optimizer.SGD(learning_rate=0.001, parameters=model.parameters())

图像归一化函数，将数据范围为[0, 255]的图像归一化到[0, 1]
def norm_img(img):
# 验证传入数据格式是否正确，img的shape为[batch_size, 28, 28]
assert len(img.shape) == 3
batch_size, img_h, img_w = img.shape[0], img.shape[1], img.shape[2]
# 归一化图像数据
img = img / 255
# 将图像形式reshape为[batch_size, 784]
img = paddle.reshape(img, [batch_size, img_h*img_w])

import paddle

确保从paddle.vision.datasets.MNIST中加载的图像数据是np.ndarray类型

paddle.vision.set_image_backend(‘cv2’)

声明网络结构

model = MNIST()

def train(model):
# 启动训练模式
model.train()
# 加载训练集 batch_size 设为 16
train_loader = paddle.io.DataLoader(paddle.vision.datasets.MNIST(mode=‘train’),
batch_size=16,
shuffle=True)
# 定义优化器，使用随机梯度下降SGD优化器，学习率设置为0.001
opt = paddle.optimizer.SGD(learning_rate=0.001, parameters=model.parameters())
EPOCH_NUM = 10
for epoch in range(EPOCH_NUM):
for batch_id, data in enumerate(train_loader()):
images = norm_img(data[0]).astype(‘float32’)
labels = data[1].astype(‘float32’)

 

 #前向计算的过程
        predicts = model(images)
        
        # 计算损失
        loss = F.square_error_cost(predicts, labels)
        avg_loss = paddle.mean(loss)
        
        #每训练了1000批次的数据，打印下当前Loss的情况
        if batch_id % 1000 == 0:
            print("epoch_id: {}, batch_id: {}, loss is: {}".format(epoch, batch_id, avg_loss.numpy()))
        
        #后向传播，更新参数的过程
        avg_loss.backward()
        opt.step()
        opt.clear_grad()

train(model)
paddle.save(model.state_dict(), ‘./mnist.pdparams’)

导入图像读取第三方库
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image

img_path = ‘./work/111.png’

读取原始图像并显示
im = Image.open(’./work/example_0.jpg’)
plt.imshow(im)
plt.show()

将原始图像转为灰度图
im = im.convert(‘L’)
print('原始图像shape: ', np.array(im).shape)

使用Image.ANTIALIAS方式采样原始图片
im = im.resize((28, 28), Image.ANTIALIAS)
plt.imshow(im)
plt.show()
print("采样后图片shape: ", np.array(im).shape)

读取一张本地的样例图片，转变成模型输入的格式
def load_image(img_path):
# 从img_path中读取图像，并转为灰度图
im = Image.open(img_path).convert(‘L’)
# print(np.array(im))
im = im.resize((28, 28), Image.ANTIALIAS)
im = np.array(im).reshape(1, -1).astype(np.float32)
# 图像归一化，保持和数据集的数据范围一致
im = 1 - im / 255
return im

定义预测过程
model = MNIST()
params_file_path = ‘mnist.pdparams’
img_path = ‘./work/example_0.jpg’

加载模型参数
param_dict = paddle.load(params_file_path)
model.load_dict(param_dict)

灌入数据
model.eval()
tensor_img = load_image(img_path)
result = model(paddle.to_tensor(tensor_img))
print(‘result’,result)

预测输出取整，即为预测的数字，打印结果
print(“本次预测的数字是”, result.numpy().asty