【深度学习】paddlepaddle——基于卷积神经网络的手写字识别案例

  1 # 1、导包
  2 import paddle.fluid as fluid
  3 import paddle
  4 import time
  5 
  6 start = time.time()
  7 
  8 
  9 def test_program(exe, feeder, program, fetch_list, reader):
 10     """
 11     测试进程
 12     :param exe:执行器
 13     :param feeder: 数据与网络关系
 14     :param program: 测试主进程
 15     :param fetch_list: 需要执行之后返回的损失与准确率
 16     :param reader: 测试reader
 17     :return:
 18     """
 19     # 训练次数
 20     count = 0
 21     # 整个测试集的总损失
 22     sum_loss = 0
 23     # 整个训练集的准确率
 24     sum_acc = 0
 25     for test_data in reader():
 26         test_avg_loss_value, test_acc_values = exe.run(
 27             program=program,  # 测试主进程
 28             feed=feeder.feed(test_data),  # 给测试喂数据
 29             fetch_list=fetch_list  # 需要执行之后返回的值
 30         )
 31 
 32         sum_loss += test_avg_loss_value
 33         sum_acc += test_acc_values
 34         count += 1
 35     # 得到整个训练集的平均损失，与整个训练集的准确率
 36     test_avg_loss = sum_loss / count
 37     test_acc = sum_acc / count
 38 
 39     return test_avg_loss, test_acc
 40 
 41 
 42 # 2、数据处理---paddlepaddle 自带的mnist数据已经经过了数据处理
 43 
 44 # 3、定义reader
 45 # paddlepaddle给我们已经定义好了reader，只需要去调用
 46 
 47 # 4、指定训练场所
 48 place = fluid.CPUPlace()
 49 
 50 # 5、配置网络
 51 # 特征数据层
 52 image = fluid.layers.data(name="image", shape=[1, 28, 28], append_batch_size=True, dtype="float64")
 53 # 目标数据层
 54 label = fluid.layers.data(name="label", shape=[1], append_batch_size=True, dtype="int64")
 55 # 设计两个卷积、激活、池化 之后 + fc的卷积神经网络
 56 conv1 = fluid.nets.simple_img_conv_pool(
 57     input=image,  # 输入
 58     num_filters=20,  # 卷积核个数
 59     filter_size=3,  # 卷积核大小
 60     pool_size=2,  # 池化大小
 61     pool_stride=2,  # 池化步长
 62     act="relu",  # 激活函数
 63 )
 64 conv2 = fluid.nets.simple_img_conv_pool(
 65     input=conv1,  # 输入
 66     num_filters=10,  # 卷积核个数
 67     filter_size=5,  # 卷积核大小
 68     pool_size=2,  # 池化大小
 69     pool_stride=2,  # 池化步长
 70     act="relu",  # 激活函数
 71 )
 72 y_predict = fluid.layers.fc(input=conv2, size=10, act="softmax", name="output_layer")
 73 
 74 # 6、损失
 75 # 交叉熵损失
 76 loss = fluid.layers.cross_entropy(input=y_predict, label=label)
 77 # 计算平均损失
 78 avg_loss = fluid.layers.mean(loss)
 79 
 80 # 计算准确率
 81 acc = fluid.layers.accuracy(input=y_predict, label=label)
 82 
 83 # 7、指定优化---sgd随机梯度下降优化算法
 84 sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.1)
 85 # 指定去优化损失
 86 sgd_optimizer.minimize(avg_loss)
 87 
 88 # 8、指定网络与数据层的关系
 89 feeder = fluid.DataFeeder(feed_list=[image, label], place=place)
 90 
 91 # 9、构建执行器
 92 # 训练执行器
 93 exe_train = fluid.Executor(place=place)
 94 # 测试执行器
 95 exe_test = fluid.Executor(place=place)
 96 
 97 # 10、初始化网络参数
 98 # 初始化参数进程
 99 startup_program = fluid.default_startup_program()
100 exe_train.run(startup_program)
101 # 主进程
102 # 训练主进程
103 train_main_program = fluid.default_main_program()
104 # 测试主进程
105 test_main_program = train_main_program.clone(for_test=True)
106 
107 # 11、获取图片数据
108 # 并不是直接拿到数据就往网络里面送
109 # 构建一个缓冲区，--打乱顺序，--再往网络里面送
110 # paddle.dataset.mnist.train() ----paddlepaddle的训练reader
111 # 缓冲区大小buf_size与批次大小batch_size 并没有多大的关系
112 # 一般设计的时候注意：buf_size 略微需要比batch_size 大一点就可以
113 # 而且batch_size 不能过大
114 # 训练reader 与测试reader 的batch_size数量必须一致
115 train_reader = paddle.batch(
116     paddle.reader.shuffle(paddle.dataset.mnist.train(), buf_size=50),
117     batch_size=10
118 )
119 test_reader = paddle.batch(
120     paddle.reader.shuffle(paddle.dataset.mnist.test(), buf_size=50),
121     batch_size=10
122 )
123 
124 # 12、训练
125 # 指定训练轮数
126 loop_num = 2
127 # 定义的执行次数
128 step = 0
129 
130 flag = False
131 
132 for loop in range(loop_num):
133     print("第%d轮训练" % loop)
134     # train_data 每批次的数据
135     for train_data in train_reader():
136         # 执行器运行训练主进程
137         train_avg_loss_value, train_acc_value = exe_train.run(
138             program=train_main_program,  # 训练主进程
139             feed=feeder.feed(train_data),  # 利用数据层与网络构建好的关系，将真实的数据喂给网络
140             fetch_list=[avg_loss, acc]  # 执行之后需要返回的结果的值
141         )
142         # 每隔10步来打印一下损失与准确率
143         if step % 10 == 0 and step != 0:
144             print("第%d次训练的损失为%f,准确率为%f" % (step, train_avg_loss_value, train_acc_value))
145 
146         step += 1
147 
148         # 每隔100步 去测试集中测试一下训练效果
149         if step % 100 == 0 and step != 0:
150             test_avg_loss, test_acc = test_program(exe_test,
151                                                    feeder,
152                                                    test_main_program,
153                                                    fetch_list=[avg_loss, acc],
154                                                    reader=test_reader
155                                                    )
156             print("*" * 100)
157             print("测试集的损失为：%f,准确率为：%f" % (test_avg_loss, test_acc))
158             print("*" * 100)
159             if test_avg_loss <= 0.1 and test_acc >= 0.98:
160                 flag = True
161 
162                 print("最终测试集的损失为：%f,准确率为：%f" % (test_avg_loss, test_acc))
163                 end = time.time()
164 
165                 print("运行总时长为：", end - start)
166                 break
167     if flag:
168         break