六、猫狗分类
http://ai-atest.bj.bcebos.com/cifar-10-python.tar.gz
1 #导入需要的包 2 import paddle as paddle 3 import paddle.fluid as fluid 4 import numpy as np 5 from PIL import Image 6 import matplotlib.pyplot as plt 7 import os 8 9 10 BATCH_SIZE = 128 11 #用于训练的数据提供器 12 train_reader = paddle.batch( 13 paddle.reader.shuffle(paddle.dataset.cifar.train10(), 14 buf_size=128*100), 15 batch_size=BATCH_SIZE) 16 #用于测试的数据提供器 17 test_reader = paddle.batch( 18 paddle.dataset.cifar.test10(), 19 batch_size=BATCH_SIZE) 20 21 22 23 def convolutional_neural_network(img): 24 # 第一个卷积-池化层 25 conv_pool_1 = fluid.nets.simple_img_conv_pool( 26 input=img, # 输入图像 27 filter_size=5, # 滤波器的大小 28 num_filters=20, # filter 的数量。它与输出的通道相同 29 pool_size=2, # 池化核大小2*2 30 pool_stride=2, # 池化步长 31 act="relu") # 激活类型 32 conv_pool_1 = fluid.layers.batch_norm(conv_pool_1) 33 # 第二个卷积-池化层 34 conv_pool_2 = fluid.nets.simple_img_conv_pool( 35 input=conv_pool_1, 36 filter_size=5, 37 num_filters=50, 38 pool_size=2, 39 pool_stride=2, 40 act="relu") 41 conv_pool_2 = fluid.layers.batch_norm(conv_pool_2) 42 # 第三个卷积-池化层 43 conv_pool_3 = fluid.nets.simple_img_conv_pool( 44 input=conv_pool_2, 45 filter_size=5, 46 num_filters=50, 47 pool_size=2, 48 pool_stride=2, 49 act="relu") 50 # 以softmax为激活函数的全连接输出层，10类数据输出10个数字 51 prediction = fluid.layers.fc(input=conv_pool_3, size=10, act='softmax') 52 return prediction 53 54 55 56 #定义输入数据 57 data_shape = [3, 32, 32] 58 images = fluid.layers.data(name='images', shape=data_shape, dtype='float32') 59 label = fluid.layers.data(name='label', shape=[1], dtype='int64') 60 61 62 63 # 获取分类器，用cnn进行分类 64 predict = convolutional_neural_network(images) 65 66 67 68 # 获取损失函数和准确率 69 cost = fluid.layers.cross_entropy(input=predict, label=label) # 交叉熵 70 avg_cost = fluid.layers.mean(cost) # 计算cost中所有元素的平均值 71 acc = fluid.layers.accuracy(input=predict, label=label) #使用输入和标签计算准确率 72 73 74 75 # 获取测试程序 76 test_program = fluid.default_main_program().clone(for_test=True) 77 78 # 定义优化方法 79 optimizer =fluid.optimizer.Adam(learning_rate=0.001) 80 optimizer.minimize(avg_cost) 81 print("完成") 82 83 84 85 # 定义使用CPU还是GPU，使用CPU时use_cuda = False,使用GPU时use_cuda = True 86 use_cuda = False 87 place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace() 88 exe = fluid.Executor(place) #创建一个Executor实例exe 89 exe.run(fluid.default_startup_program()) #Executor的run()方法执行startup_program(),进行参数初始化 90 91 92 93 feeder = fluid.DataFeeder( feed_list=[images, label],place=place) 94 95 96 97 98 all_train_iter=0 99 all_train_iters=[] 100 all_train_costs=[] 101 all_train_accs=[] 102 103 def draw_train_process(title,iters,costs,accs,label_cost,lable_acc): 104 plt.title(title, fontsize=24) 105 plt.xlabel("iter", fontsize=20) 106 plt.ylabel("cost/acc", fontsize=20) 107 plt.plot(iters, costs,color='red',label=label_cost) 108 plt.plot(iters, accs,color='green',label=lable_acc) 109 plt.legend() 110 plt.grid() 111 plt.show() 112 113 114 115 116 EPOCH_NUM = 30 117 model_save_dir = "/home/aistudio/work/catdog.inference.model" 118 119 for pass_id in range(EPOCH_NUM): 120 # 开始训练 121 for batch_id, data in enumerate(train_reader()): #遍历train_reader的迭代器，并为数据加上索引batch_id 122 train_cost,train_acc = exe.run(program=fluid.default_main_program(),#运行主程序 123 feed=feeder.feed(data), #喂入一个batch的数据 124 fetch_list=[avg_cost, acc]) #fetch均方误差和准确率 125 126 127 all_train_iter=all_train_iter+BATCH_SIZE 128 all_train_iters.append(all_train_iter) 129 all_train_costs.append(train_cost[0]) 130 all_train_accs.append(train_acc[0]) 131 132 #每100次batch打印一次训练、进行一次测试 133 if batch_id % 100 == 0: 134 print('Pass:%d, Batch:%d, Cost:%0.5f, Accuracy:%0.5f' % 135 (pass_id, batch_id, train_cost[0], train_acc[0])) 136 137 138 # 开始测试 139 test_costs = [] #测试的损失值 140 test_accs = [] #测试的准确率 141 for batch_id, data in enumerate(test_reader()): 142 test_cost, test_acc = exe.run(program=test_program, #执行测试程序 143 feed=feeder.feed(data), #喂入数据 144 fetch_list=[avg_cost, acc]) #fetch 误差、准确率 145 test_costs.append(test_cost[0]) #记录每个batch的误差 146 test_accs.append(test_acc[0]) #记录每个batch的准确率 147 148 # 求测试结果的平均值 149 test_cost = (sum(test_costs) / len(test_costs)) #计算误差平均值（误差和/误差的个数） 150 test_acc = (sum(test_accs) / len(test_accs)) #计算准确率平均值（ 准确率的和/准确率的个数） 151 print('Test:%d, Cost:%0.5f, ACC:%0.5f' % (pass_id, test_cost, test_acc)) 152 153 #保存模型 154 # 如果保存路径不存在就创建 155 if not os.path.exists(model_save_dir): 156 os.makedirs(model_save_dir) 157 print ('save models to %s' % (model_save_dir)) 158 fluid.io.save_inference_model(model_save_dir, 159 ['images'], 160 [predict], 161 exe) 162 print('训练模型保存完成！') 163 draw_train_process("training",all_train_iters,all_train_costs,all_train_accs,"trainning cost","trainning acc") 164 165 infer_exe = fluid.Executor(place) 166 inference_scope = fluid.core.Scope() 167 168 169 170 def load_image(file): 171 #打开图片 172 im = Image.open(file) 173 #将图片调整为跟训练数据一样的大小 32*32， 设定ANTIALIAS，即抗锯齿.resize是缩放 174 im = im.resize((32, 32), Image.ANTIALIAS) 175 #建立图片矩阵 类型为float32 176 im = np.array(im).astype(np.float32) 177 #矩阵转置 178 im = im.transpose((2, 0, 1)) 179 #将像素值从【0-255】转换为【0-1】 180 im = im / 255.0 181 #print(im) 182 im = np.expand_dims(im, axis=0) 183 # 保持和之前输入image维度一致 184 print('im_shape的维度：',im.shape) 185 return im 186 187 188 189 190 191 with fluid.scope_guard(inference_scope): 192 #从指定目录中加载 推理model(inference model) 193 [inference_program, # 预测用的program 194 feed_target_names, # 是一个str列表，它包含需要在推理 Program 中提供数据的变量的名称。 195 fetch_targets] = fluid.io.load_inference_model(model_save_dir,#fetch_targets：是一个 Variable 列表，从中我们可以得到推断结果。 196 infer_exe) #infer_exe: 运行 inference model的 executor 197 198 infer_path='dog2.jpg' 199 img = Image.open(infer_path) 200 plt.imshow(img) 201 plt.show() 202 203 img = load_image(infer_path) 204 205 results = infer_exe.run(inference_program, #运行预测程序 206 feed={feed_target_names[0]: img}, #喂入要预测的img 207 fetch_list=fetch_targets) #得到推测结果 208 print('results',results) 209 label_list = [ 210 "airplane", "automobile", "bird", "cat", "deer", "dog", "frog", "horse", 211 "ship", "truck" 212 ] 213 print("infer results: %s" % label_list[np.argmax(results[0])])
越努力越幸运
