Paddle手写数字识别

安装PaddlePaddle

环境准备

windows 64
acconda3 2022.05

1.1创建虚拟环境

安装环境

首先根据具体的Python版本创建Anaconda虚拟环境，PaddlePaddle的Anaconda安装支持以下四种python安装环境。

python版本为3.6

1	`conda create -n paddle_env python=3.6`

python版本为3.7

1	`conda create -n paddle_env python=3.6`

python版本为3.8

1	`conda create -n paddle_env python=3.6`

python版本为3.9

1	`conda create -n paddle_env python=3.6`

进入创建的虚拟的环境

1	`activate paddle_env`

开始安装

cpu 版

1	`conda install paddlepaddle==2.3.2 --channel https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/`

后面的网址是指定安装源，用清华源速度快一点

gpu 版
1
conda install paddlepaddle-gpu==2.3.2 cudatoolkit=11.6 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/ -c conda-forge
关于cuda版本的问题不用担心，将cuda版本更新到最新即可，他是向下兼容的，具体可以看看这篇文章，查看cuda版本可以看看这篇文章

安装过程中可能耗时比较久，中间可能会卡顿一下，按下回车即可

安装完成

验证安装

输入python进入python解释器，输入import paddle,再输入paddle.utils.run_check()，如果出现PaddlePaddle is installed successfully!，说明已成功安装。

参考资料：Paddle 飞桨官网文档

实践：手写数字识别任务

准备

安装 Python 的 matplotlib 库和 numpy 库，matplotlib 库用于可视化图片，numpy 库用于处理数据。

1 2	`# 使用 pip 工具安装 matplotlib 和 numpy ! python3 -m pip install matplotlib numpy -i https://mirror.baidu.com/pypi/simple`

这里可以也可以用conda 命令的，这里图省事，就直接粘贴过来了

实践

数据集定义与加载

import paddle
from paddle.vision.transforms import Normalize

transform = Normalize(mean=[127.5], std=[127.5], data_format='CHW')
# 下载数据集并初始化 DataSet
train_dataset = paddle.vision.datasets.MNIST(mode='train', transform=transform)
test_dataset = paddle.vision.datasets.MNIST(mode='test', transform=transform)

这里可能会遇到下载不了的情况，建议先考察自己的电脑网络问题，再考虑其他，笔者这里耽误了很多时间，就是因为网络问题。

在执行代码时会遇到DeprecationWarning: the imp module is deprecated in favour of importlib; see the module's documentation for alternative uses import imp可以不用管他，这里是一个警告，是指imp已经被废弃，建议更换imporlib,但是我更换之后会出现一个包无法引入的情况，网上暂时没有搜索到有用的信息，所以暂时搁置了，

模型组网

# 模型组网并初始化网络
lenet = paddle.vision.models.LeNet(num_classes=10)

# 可视化模型组网结构和参数
paddle.summary(lenet,(1, 1, 28, 28))

模型训练与评估

模型训练

# 封装模型，便于进行后续的训练、评估和推理
model = paddle.Model(lenet)

# 模型训练的配置准备，准备损失函数，优化器和评价指标
model.prepare(paddle.optimizer.Adam(parameters=model.parameters()), 
              paddle.nn.CrossEntropyLoss(),
              paddle.metric.Accuracy())

# 开始训练
model.fit(train_dataset, epochs=5, batch_size=64, verbose=1)

模型评估

1 2	`# 进行模型评估 model.evaluate(test_dataset, batch_size=64, verbose=1)`

模型推理

模型保存
1
2
# 保存模型，文件夹会自动创建 model.save('./output/mnist')
output
├── mnist.pdopt # 优化器的参数
└── mnist.pdparams # 模型的参数

以上代码执行后会在output目录下保存两个文件，mnist.pdopt为优化器的参数，mnist.pdparams为模型的参数。

模型加载推理

# 加载模型
model.load('output/mnist')

# 从测试集中取出一张图片
img, label = test_dataset[0]
# 将图片shape从1*28*28变为1*1*28*28，增加一个batch维度，以匹配模型输入格式要求
img_batch = np.expand_dims(img.astype('float32'), axis=0)

# 执行推理并打印结果，此处predict_batch返回的是一个list，取出其中数据获得预测结果
out = model.predict_batch(img_batch)[0]
pred_label = out.argmax()
print('true label: {}, pred label: {}'.format(label[0], pred_label))
# 可视化图片
from matplotlib import pyplot as plt
plt.imshow(img[0])