谷歌colab运行paddlepaddle之手写数字识别
之前在colab上成功安装好了paddlepaddle,现在记录下手写数字识别,按照百度官网的代码,先记录下来以后再看。
#导入需要的包 import numpy as np import paddle as paddle import paddle.fluid as fluid from PIL import Image import matplotlib.pyplot as plt import os
BUF_SIZE=512 BATCH_SIZE=128 #用于训练的数据提供器,每次从缓存中随机读取批次大小的数据 train_reader = paddle.batch( paddle.reader.shuffle(paddle.dataset.mnist.train(), buf_size=BUF_SIZE), batch_size=BATCH_SIZE) #用于训练的数据提供器,每次从缓存中随机读取批次大小的数据 test_reader = paddle.batch( paddle.reader.shuffle(paddle.dataset.mnist.test(), buf_size=BUF_SIZE), batch_size=BATCH_SIZE) #用于打印,查看mnist数据 train_data=paddle.dataset.mnist.train(); sampledata=next(train_data()) print(sampledata)
# 定义多层感知器 def multilayer_perceptron(input): # 第一个全连接层,激活函数为ReLU hidden1 = fluid.layers.fc(input=input, size=100, act='relu') # 第二个全连接层,激活函数为ReLU hidden2 = fluid.layers.fc(input=hidden1, size=100, act='relu') # 以softmax为激活函数的全连接输出层,输出层的大小必须为数字的个数10 prediction = fluid.layers.fc(input=hidden2, size=10, act='softmax') return prediction
# 输入的原始图像数据,大小为1*28*28 image = fluid.layers.data(name='image', shape=[1, 28, 28], dtype='float32')#单通道,28*28像素值 # 标签,名称为label,对应输入图片的类别标签 label = fluid.layers.data(name='label', shape=[1], dtype='int64') #图片标签
# 获取分类器 predict = multilayer_perceptron(image)
#使用交叉熵损失函数,描述真实样本标签和预测概率之间的差值 cost = fluid.layers.cross_entropy(input=predict, label=label) # 使用类交叉熵函数计算predict和label之间的损失函数 avg_cost = fluid.layers.mean(cost) # 计算分类准确率 acc = fluid.layers.accuracy(input=predict, label=label)
#使用Adam算法进行优化, learning_rate 是学习率(它的大小与网络的训练收敛速度有关系) optimizer = fluid.optimizer.AdamOptimizer(learning_rate=0.001) opts = optimizer.minimize(avg_cost)
# 定义使用CPU还是GPU,使用CPU时use_cuda = False,使用GPU时use_cuda = True use_cuda = True place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace() # 获取测试程序 test_program = fluid.default_main_program().clone(for_test=True) exe = fluid.Executor(place) exe.run(fluid.default_startup_program())
feeder = fluid.DataFeeder(place=place, feed_list=[image, label])
all_train_iter=0 all_train_iters=[] all_train_costs=[] all_train_accs=[] def draw_train_process(title,iters,costs,accs,label_cost,lable_acc): plt.title(title, fontsize=24) plt.xlabel("iter", fontsize=20) plt.ylabel("cost/acc", fontsize=20) plt.plot(iters, costs,color='red',label=label_cost) plt.plot(iters, accs,color='green',label=lable_acc) plt.legend() plt.grid() plt.show()
EPOCH_NUM=2 model_save_dir = "/content/drive/My Drive/pdpd/hand.inference.model" for pass_id in range(EPOCH_NUM): # 进行训练 for batch_id, data in enumerate(train_reader()): #遍历train_reader train_cost, train_acc = exe.run(program=fluid.default_main_program(),#运行主程序 feed=feeder.feed(data), #给模型喂入数据 fetch_list=[avg_cost, acc]) #fetch 误差、准确率 all_train_iter=all_train_iter+BATCH_SIZE all_train_iters.append(all_train_iter) all_train_costs.append(train_cost[0]) all_train_accs.append(train_acc[0]) # 每200个batch打印一次信息 误差、准确率 if batch_id % 200 == 0: print('Pass:%d, Batch:%d, Cost:%0.5f, Accuracy:%0.5f' % (pass_id, batch_id, train_cost[0], train_acc[0])) # 进行测试 test_accs = [] test_costs = [] #每训练一轮 进行一次测试 for batch_id, data in enumerate(test_reader()): #遍历test_reader test_cost, test_acc = exe.run(program=test_program, #执行训练程序 feed=feeder.feed(data), #喂入数据 fetch_list=[avg_cost, acc]) #fetch 误差、准确率 test_accs.append(test_acc[0]) #每个batch的准确率 test_costs.append(test_cost[0]) #每个batch的误差 # 求测试结果的平均值 test_cost = (sum(test_costs) / len(test_costs)) #每轮的平均误差 test_acc = (sum(test_accs) / len(test_accs)) #每轮的平均准确率 print('Test:%d, Cost:%0.5f, Accuracy:%0.5f' % (pass_id, test_cost, test_acc)) #保存模型 # 如果保存路径不存在就创建 if not os.path.exists(model_save_dir): os.makedirs(model_save_dir) print ('save models to %s' % (model_save_dir)) fluid.io.save_inference_model(model_save_dir, #保存推理model的路径 ['image'], #推理(inference)需要 feed 的数据 [predict], #保存推理(inference)结果的 Variables exe) #executor 保存 inference model print('训练模型保存完成!') draw_train_process("training",all_train_iters,all_train_costs,all_train_accs,"trainning cost","trainning acc")
Pass:0, Batch:0, Cost:2.68999, Accuracy:0.09375 Pass:0, Batch:200, Cost:0.39746, Accuracy:0.87500 Pass:0, Batch:400, Cost:0.18917, Accuracy:0.95312 Test:0, Cost:0.22934, Accuracy:0.93167 Pass:1, Batch:0, Cost:0.24291, Accuracy:0.92969 Pass:1, Batch:200, Cost:0.21380, Accuracy:0.95312 Pass:1, Batch:400, Cost:0.17054, Accuracy:0.95312 Test:1, Cost:0.16143, Accuracy:0.94887 save models to /content/drive/My Drive/pdpd/hand.inference.model 训练模型保存完成!
def load_image(file): im = Image.open(file).convert('L') #将RGB转化为灰度图像,L代表灰度图像,像素值在0~255之间 im = im.resize((28, 28), Image.ANTIALIAS) #resize image with high-quality 图像大小为28*28 im = np.array(im).reshape(1, 1, 28, 28).astype(np.float32)#返回新形状的数组,把它变成一个 numpy 数组以匹配数据馈送格式。 # print(im) im = im / 255.0 * 2.0 - 1.0 #归一化到【-1~1】之间 return im
infer_path='/content/drive/My Drive/pdpd/digit.jpg' img = Image.open(infer_path) plt.imshow(img) #根据数组绘制图像 plt.show() #显示图像
infer_exe = fluid.Executor(place)
inference_scope = fluid.core.Scope()
# 加载数据并开始预测 with fluid.scope_guard(inference_scope): #获取训练好的模型 #从指定目录中加载 推理model(inference model) [inference_program, #推理Program 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。 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。model_save_dir:模型保存的路径 infer_exe) #infer_exe: 运行 inference model的 executor img = load_image(infer_path) results = infer_exe.run(program=inference_program, #运行推测程序 feed={feed_target_names[0]: img}, #喂入要预测的img fetch_list=fetch_targets) #得到推测结果, # 获取概率最大的label lab = np.argsort(results) #argsort函数返回的是result数组值从小到大的索引值 #print(lab) print("该图片的预测结果的label为: %d" % lab[0][0][-1]) #-1代表读取数组中倒数第一列
该图片的预测结果的label为: 5