篇首语：本文由编程笔记#小编为大家整理，主要介绍了Paddle 点灯人 之 10分钟快速上手Paddle相关的知识，希望对你有一定的参考价值。
从完成一个简单的『手写数字识别任务』开始&＃xff0c;可快速了解深度学习模型开发的大致流程&＃xff0c;并初步掌握飞桨框架 API 的使用方法。
如果已经安装好飞桨那么可以跳过此步骤。飞桨支持很多种安装方式&＃xff0c;这里介绍其中一种简单的安装命令。
注&＃xff1a;目前飞桨支持 Python 3.6 ~ 3.9 版本&＃xff0c;pip3 要求 20.2.2 或更高版本&＃xff0c;请提前安装对应版本的 Python 和 pip 工具。
# 使用 pip 工具安装飞桨 CPU 版
!python3 -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
该命令用于安装 CPU 版本的飞桨。如果要安装其他计算平台或操作系统支持的版本&＃xff0c;可点击 快速安装 查看安装引导。
安装完成后&＃xff0c;需要在Python解释器中使用 import 导入飞桨&＃xff0c;即可开始实践深度学习任务。
若操作成功&＃xff0c;会输出飞桨的版本号。
import paddle
print(paddle.__version__)
2.2.1
『手写数字识别』是深度学习里的 Hello World 任务&＃xff0c;用于对 0 ~ 9 的十类数字进行分类&＃xff0c;即输入手写数字的图片&＃xff0c;可识别出这个图片中的数字。
本任务用到的数据集为 MNIST 手写数字数据集&＃xff0c;用于训练和测试模型。该数据集包含 60000 张训练图片、 10000 张测试图片、以及对应的分类标签文件&＃xff0c;每张图片上是一个 0 ~ 9 的手写数字&＃xff0c;分辨率为 28 * 28。部分图像和对应的分类标签如下图所示。
开始之前&＃xff0c;需要使用下面的命令安装 Python 的 matplotlib 库和 numpy 库&＃xff0c;matplotlib 库用于可视化图片&＃xff0c;numpy 库用于处理数据。
# 使用 pip 工具安装 matplotlib 和 numpy
!python3 -m pip install matplotlib numpy -i https://mirror.baidu.com/pypi/simple
下面是手写数字识别任务的完整代码&＃xff0c;如果想直接运行代码&＃xff0c;可以拷贝下面的完整代码到一个Python文件中运行。
import paddle
import numpy as np
from paddle.vision.transforms import Normalize
transform &＃61; Normalize(mean&＃61;[127.5], std&＃61;[127.5], data_format&＃61;&＃39;CHW&＃39;)
# 下载数据集并初始化 DataSet
train_dataset &＃61; paddle.vision.datasets.MNIST(mode&＃61;&＃39;train&＃39;, transform&＃61;transform)
test_dataset &＃61; paddle.vision.datasets.MNIST(mode&＃61;&＃39;test&＃39;, transform&＃61;transform)
# 模型组网并初始化网络
lenet &＃61; paddle.vision.models.LeNet(num_classes&＃61;10)
model &＃61; paddle.Model(lenet)
# 模型训练的配置准备&＃xff0c;准备损失函数&＃xff0c;优化器和评价指标
model.prepare(paddle.optimizer.Adam(parameters&＃61;model.parameters()),
paddle.nn.CrossEntropyLoss(),
paddle.metric.Accuracy())
# 模型训练
model.fit(train_dataset, epochs&＃61;5, batch_size&＃61;64, verbose&＃61;1)
# 模型评估
model.evaluate(test_dataset, batch_size&＃61;64, verbose&＃61;1)
# 保存模型
model.save(&＃39;./output/mnist&＃39;)
# 加载模型
model.load(&＃39;output/mnist&＃39;)
# 从测试集中取出一张图片
img, label &＃61; test_dataset[0]
# 将图片shape从1*28*28变为1*1*28*28&＃xff0c;增加一个batch维度&＃xff0c;以匹配模型输入格式要求
img_batch &＃61; np.expand_dims(img.astype(&＃39;float32&＃39;), axis&＃61;0)
# 执行推理并打印结果&＃xff0c;此处predict_batch返回的是一个list&＃xff0c;取出其中数据获得预测结果
out &＃61; model.predict_batch(img_batch)[0]
pred_label &＃61; out.argmax()
print(&＃39;true label: , pred label: &＃39;.format(label[0], pred_label))
# 可视化图片
from matplotlib import pyplot as plt
plt.imshow(img[0])
The loss value printed in the log is the current step, and the metric is the average value of previous steps.
Epoch 1/5
step 938/938 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - loss: 0.0519 - acc: 0.9344 - 14ms/step
Epoch 2/5
step 938/938 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - loss: 0.0239 - acc: 0.9767 - 14ms/step
Epoch 3/5
step 938/938 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - loss: 0.0416 - acc: 0.9811 - 14ms/step
Epoch 4/5
step 938/938 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - loss: 0.0084 - acc: 0.9837 - 14ms/step
Epoch 5/5
step 938/938 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - loss: 0.0838 - acc: 0.9860 - 14ms/step
Eval begin...
step 157/157 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - loss: 1.7577e-04 - acc: 0.9844 - 6ms/step
Eval samples: 10000
true label: 7, pred label: 7
<matplotlib.image.AxesImage at 0x7feb8a585dd0>
以上代码使用 MNIST 数据集训练并测试了 LeNet 模型&＃xff0c;并最终成功推理出了一张手写数字图片的标签&＃xff0c;该图片推理结果是 7 &＃xff08; pred label: 7&＃xff09;&＃xff0c;真实标签也是7 &＃xff08;true label: 7&＃xff09;。
简单地说&＃xff0c;深度学习任务一般分为以下几个核心步骤&＃xff1a;
接下来逐个步骤介绍&＃xff0c;帮助你快速掌握使用飞桨框架实践深度学习任务的方法。
飞桨在 paddle.vision.datasets 下内置了计算机视觉&＃xff08;Computer Vision&＃xff0c;CV&＃xff09;领域常见的数据集&＃xff0c;如 MNIST、Cifar10、Cifar100、FashionMNIST 和 VOC2012 等。在本任务中&＃xff0c;先后加载了 MNIST 训练集&＃xff08;mode&＃61;&＃39;train&＃39;&＃xff09;和测试集&＃xff08;mode&＃61;&＃39;test&＃39;&＃xff09;&＃xff0c;训练集用于训练模型&＃xff0c;测试集用于评估模型效果。
import paddle
from paddle.vision.transforms import Normalize
transform &＃61; Normalize(mean&＃61;[127.5], std&＃61;[127.5], data_format&＃61;&＃39;CHW&＃39;)
# 下载数据集并初始化 DataSet
train_dataset &＃61; paddle.vision.datasets.MNIST(mode&＃61;&＃39;train&＃39;, transform&＃61;transform)
test_dataset &＃61; paddle.vision.datasets.MNIST(mode&＃61;&＃39;test&＃39;, transform&＃61;transform)
# 打印数据集里图片数量
print(&＃39; images in train_dataset, images in test_dataset&＃39;.format(len(train_dataset), len(test_dataset)))
60000 images in train_dataset, 10000 images in test_dataset
飞桨除了内置了 CV 领域常见的数据集&＃xff0c;还在 paddle.text 下内置了自然语言处理&＃xff08;Natural Language Processing&＃xff0c;NLP&＃xff09;领域常见的数据集&＃xff0c;并提供了自定义数据集与加载功能的 paddle.io.Dataset 和 paddle.io.DataLoader API&＃xff0c;详细使用方法可参考『数据集定义与加载』 章节。
另外在 paddle.vision.transforms 下提供了一些常用的图像变换操作&＃xff0c;如对图像的翻转、裁剪、调整亮度等处理&＃xff0c;可实现数据增强&＃xff0c;以增加训练样本的多样性&＃xff0c;提升模型的泛化能力。本任务在初始化 MNIST 数据集时通过 transform 字段传入了 Normalize 变换对图像进行归一化&＃xff0c;对图像进行归一化可以加快模型训练的收敛速度。该功能的具体使用方法可参考『数据预处理』 章节。
更多参考&＃xff1a;
飞桨的模型组网有多种方式&＃xff0c;既可以直接使用飞桨内置的模型&＃xff0c;也可以自定义组网。
『手写数字识别任务』比较简单&＃xff0c;普通的神经网络就能达到很高的精度&＃xff0c;在本任务中使用了飞桨内置的 LeNet 作为模型。飞桨在 paddle.vision.models 下内置了 CV 领域的一些经典模型&＃xff0c;LeNet 就是其中之一&＃xff0c;调用很方便&＃xff0c;只需一行代码即可完成 LeNet 的网络构建和初始化。num_classes 字段中定义分类的类别数&＃xff0c;因为需要对 0 ~ 9 的十类数字进行分类&＃xff0c;所以设置为 10。
另外通过 paddle.summary 可方便地打印网络的基础结构和参数信息。
# 模型组网并初始化网络
lenet &＃61; paddle.vision.models.LeNet(num_classes&＃61;10)
# 可视化模型组网结构和参数
paddle.summary(lenet,(1, 1, 28, 28))
---------------------------------------------------------------------------
Layer (type) Input Shape Output Shape Param #
&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;
Conv2D-1 [[1, 1, 28, 28]] [1, 6, 28, 28] 60
ReLU-1 [[1, 6, 28, 28]] [1, 6, 28, 28] 0
MaxPool2D-1 [[1, 6, 28, 28]] [1, 6, 14, 14] 0
Conv2D-2 [[1, 6, 14, 14]] [1, 16, 10, 10] 2,416
ReLU-2 [[1, 16, 10, 10]] [1, 16, 10, 10] 0
MaxPool2D-2 [[1, 16, 10, 10]] [1, 16, 5, 5] 0
Linear-1 [[1, 400]] [1, 120] 48,120
Linear-2 [[1, 120]] [1, 84] 10,164
Linear-3 [[1, 84]] [1, 10] 850
&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;
Total params: 61,610
Trainable params: 61,610
Non-trainable params: 0
---------------------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.11
Params size (MB): 0.24
Estimated Total Size (MB): 0.35
---------------------------------------------------------------------------
&＃39;total_params&＃39;: 61610, &＃39;trainable_params&＃39;: 61610
通过飞桨的 paddle.nn.Sequential 和 paddle.nn.Layer API 可以更灵活方便的组建自定义的神经网络&＃xff0c;详细使用方法可参考『模型组网』章节。
更多参考&＃xff1a;
模型训练需完成如下步骤&＃xff1a;
train_dataset、训练的批大小 batch_size、训练轮数 epochs 等&＃xff0c;执行后将自动完成模型的训练循环。因为是分类任务&＃xff0c;这里损失函数使用常见的 CrossEntropyLoss &＃xff08;交叉熵损失函数&＃xff09;&＃xff0c;优化器使用 Adam&＃xff0c;评价指标使用 Accuracy 来计算模型在训练集上的精度。
# 封装模型&＃xff0c;便于进行后续的训练、评估和推理
model &＃61; paddle.Model(lenet)
# 模型训练的配置准备&＃xff0c;准备损失函数&＃xff0c;优化器和评价指标
model.prepare(paddle.optimizer.Adam(parameters&＃61;model.parameters()),
paddle.nn.CrossEntropyLoss(),
paddle.metric.Accuracy())
# 开始训练
model.fit(train_dataset, epochs&＃61;5, batch_size&＃61;64, verbose&＃61;1)
The loss value printed in the log is the current step, and the metric is the average value of previous steps.
Epoch 1/5
step 938/938 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - loss: 0.0011 - acc: 0.9865 - 14ms/step
Epoch 2/5
step 938/938 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - loss: 0.0045 - acc: 0.9885 - 14ms/step
Epoch 3/5
step 938/938 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - loss: 0.0519 - acc: 0.9896 - 14ms/step
Epoch 4/5
step 938/938 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - loss: 4.1989e-05 - acc: 0.9912 - 14ms/step
Epoch 5/5
step 938/938 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - loss: 0.0671 - acc: 0.9918 - 15ms/step
从训练过程的打印日志中&＃xff0c;可观察到损失函数值 loss 逐渐变小&＃xff0c;精度 acc 逐渐上升的趋势&＃xff0c;反映出不错的训练效果。
模型训练完成之后&＃xff0c;调用 paddle.Model.evaluate &＃xff0c;使用预先定义的测试数据集&＃xff0c;来评估训练好的模型效果&＃xff0c;评估完成后将输出模型在测试集上的损失函数值 loss 和精度 acc。
# 进行模型评估
model.evaluate(test_dataset, batch_size&＃61;64, verbose&＃61;1)
Eval begin...
step 157/157 [&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;&＃61;] - loss: 5.7177e-04 - acc: 0.9859 - 6ms/step
Eval samples: 10000
&＃39;loss&＃39;: [0.00057177414], &＃39;acc&＃39;: 0.9859
从结果可以看到&＃xff0c;初步训练得到的模型精度在98%附近&＃xff0c;在逐渐熟悉深度学习模型开发和训练技巧后&＃xff0c;可以通过调整其中的训练参数来进一步提升模型的精度。
更多参考&＃xff1a;
模型训练完成后&＃xff0c;通常需要将训练好的模型参数和优化器等信息&＃xff0c;持久化保存到参数文件中&＃xff0c;便于后续执行推理验证。
在飞桨中可通过调用 paddle.Model.save 保存模型。代码示例如下&＃xff0c;其中 output 为模型保存的文件夹名称&＃xff0c;minst 为保存的模型文件名称。
# 保存模型&＃xff0c;文件夹会自动创建
model.save(&＃39;./output/mnist&＃39;)
以上代码执行后会在output目录下保存两个文件&＃xff0c;mnist.pdopt为优化器的参数&＃xff0c;mnist.pdparams为模型的参数。
output
├── mnist.pdopt # 优化器的参数
└── mnist.pdparams # 模型的参数
执行模型推理时&＃xff0c;可调用 paddle.Model.load 加载模型&＃xff0c;然后即可通过 paddle.Model.predict_batch 执行推理操作。
如下示例中&＃xff0c;针对前面创建的 model 网络加载保存的参数文件 output/mnist&＃xff0c;并选择测试集中的一张图片 test_dataset[0] 作为输入&＃xff0c;执行推理并打印结果&＃xff0c;可以看到推理的结果与可视化图片一致。
# 加载模型
model.load(&＃39;output/mnist&＃39;)
# 从测试集中取出一张图片
img, label &＃61; test_dataset[0]
# 将图片shape从1*28*28变为1*1*28*28&＃xff0c;增加一个batch维度&＃xff0c;以匹配模型输入格式要求
img_batch &＃61; np.expand_dims(img.astype(&＃39;float32&＃39;), axis&＃61;0)
# 执行推理并打印结果&＃xff0c;此处predict_batch返回的是一个list&＃xff0c;取出其中数据获得预测结果
out &＃61; model.predict_batch(img_batch)[0]
pred_label &＃61; out.argmax()
print(&＃39;true label: , pred label: &＃39;.format(label[0], pred_label))
# 可视化图片
from matplotlib import pyplot as plt
plt.imshow(img[0])
true label: 7, pred label: 7
<matplotlib.image.AxesImage at 0x7f853e6f0e50>
更多参考&＃xff1a;
至此通过飞桨几个简单的API完成了一个深度学习任务&＃xff0c;总结整个流程和用到的关键 API 如下图所示。
京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有