搜文章
推荐 原创 视频 Java开发 iOS开发 前端开发 JavaScript开发 Android开发 PHP开发 数据库 开发工具 Python开发 Kotlin开发 Ruby开发 .NET开发 服务器运维 开放平台 架构师 大数据 云计算 人工智能 开发语言 其它开发
Lambda在线 > AI科技大本营 > 19行关键代码,带你轻松入门PaddlePaddle单机训练

19行关键代码,带你轻松入门PaddlePaddle单机训练

AI科技大本营 2020-06-05

刚接触深度学习框架的同学可能会说


新入手一个框架是不是会很难?


NO,NO,NO

 

PaddlePaddle的宗旨就是“easy to use!

 

PaddlePaddle是百度自研的集深度学习框架、工具组件和服务平台为一体的技术领先、功能完备的开源深度学习平台,有全面的官方支持的工业级应用模型,涵盖自然语言处理、计算机视觉、推荐引擎等多个领域,并开放多个领先的预训练中文模型。

 

下面,就让作者带你


打开一扇深度学习的新大门


19行代码入门PaddlePaddle单机训练!

 

第1行


在Python环境下安装PaddlePaddle框架,万里征程开头难,输完这行指令,你已经成功了一大半!


pip install paddlepaddle


第2-3行


进入代码环境,导入数据包,没啥可说的

import paddle as paddleimport paddle.fluid as fluid


第4-7行


定义模型,定义输入输出,轻松搞定

image = fluid.layers.data(name='image', shape=[1, 28, 28], dtype='float32') label = fluid.layers.data(name='label', shape=[1], dtype='int64') hidden = fluid.layers.fc(input=image, size=100, act='relu')prediction = fluid.layers.fc(input=hidden, size=10, act='softmax')


第8-10行


定义损失函数(交叉熵)和准确率函数


cost = fluid.layers.cross_entropy(input=prediction, label=label)avgcost = fluid.layers.mean(cost)acc = fluid.layers.accuracy(input=prediction, label=label)


第11-12行


定义优化方法,使用Adam算法进行优化,其实随便什么优化方法都可以,随你喜欢啦

optimizer = fluid.optimizer.AdamOptimizer(learning_rate=0.001) opts = optimizer.minimize(avg_cost)


第13-14行


在模型结构搭建完之后,我们需要对参数进行初始化。


注:我们这里采用CPU单机单卡训练,如果使用多GPU训练,参数需要先在GPU0上初始化,再经由fluid.ParallelExecutor 分发到多张显卡(详细内容可以参考文末链接)

exe = fluid.Executor(fluid.CPUPlace())exe.run(fluid.default_startup_program())


第15-16行


准备输入训练数据,使用框架自带MNIST数据集

train_reader = paddle.batch(paddle.dataset.mnist.train(), batch_size=128)feeder = fluid.DataFeeder(place=fluid.CPUPlace(), feed_list=[image, label])


第17-18行


啦啦啦,开始训练,2行代码轻松搞定

for batch_id, data in enumerate(train_reader()):train_cost,train_acc = exe.run(program=fluid.default_main_program(), feed=feeder.feed(data), fetch_list=[avg_cost, acc]) 


有兴趣的同学也可以通过增加代码print('Batch:%d, Cost:%0.5f, Accuracy:%0.5f' %(batch_id, train_cost[0], train_acc[0]))自行把训练过程打印出来看一下

Batch:0, Cost:3.17834, Accuracy:0.04688Batch:50, Cost:0.53703, Accuracy:0.82031Batch:100, Cost:0.47778, Accuracy:0.83594Batch:150, Cost:0.34092, Accuracy:0.90625Batch:200, Cost:0.25703, Accuracy:0.92188Batch:250, Cost:0.37539, Accuracy:0.86719Batch:300, Cost:0.24384, Accuracy:0.94531Batch:350, Cost:0.51838, Accuracy:0.84375Batch:400, Cost:0.40187, Accuracy:0.85938Batch:450, Cost:0.36615, Accuracy:0.89062


第19行


训练完成,保存模型,任务完成!

fluid.io.save_inference_model("model", ['image'], [prediction], exe)


好吧,看到这里你说,


是19行代码就完成单机训练


没错,


但是完全没感觉啊,


训练好了该怎么用呢?


不着急,我们试试拿一个实例


来测试一下!


预测实例


继续导入2个基础数据包,备用

import numpy as npimport pickle


加载预测数据,需要下载源项目文件

链接:https://pan.baidu.com/s/1axSjJ9XVTI7MYY25WpqZtg 

提取码:rkhg 

对,我们需要对付的,


就是这样歪歪扭扭的家伙!



源项目中已经把图片处理好了保存在bin文件里面,可以直接读取

load_file=open("save.bin","rb")img=pickle.load(load_file)act_label=pickle.load(load_file)load_file.close()


导入训练好的模型,开始预测

with fluid.scope_guard(fluid.core.Scope()): [infer_prog,feed_names,targets]= fluid.io.load_inference_model("model", exe) results = exe.run(program=infer_prog, feed={feed_names[0]: img}, fetch_list=targets)


打印输出,搞定!

print("实际数字为: %d" % act_label)print("预测结果为: %d" % np.argsort(results)[0][0][-1]) 


最终结果


实际数字为: 3

预测结果为: 3


DuangDuangDuang!!


除去数据准备和打印输出,


真正的核心预测代码也只有3行而已,


惊不惊喜,意不意外?


是的,没错


PaddlePaddle就是这样


一个易学易用的深度学习框架


你学会了么?

 

想了解更多内容,请点击阅读原文查看

版权声明:本站内容全部来自于腾讯微信公众号,属第三方自助推荐收录。《19行关键代码,带你轻松入门PaddlePaddle单机训练》的版权归原作者「AI科技大本营」所有,文章言论观点不代表Lambda在线的观点, Lambda在线不承担任何法律责任。如需删除可联系QQ:516101458

文章来源: 阅读原文

相关阅读

关注AI科技大本营微信公众号

AI科技大本营微信公众号:rgznai100

AI科技大本营

手机扫描上方二维码即可关注AI科技大本营微信公众号

AI科技大本营最新文章

精品公众号随机推荐