网站开发工作程序怎么写,网站建设投标文档,如何与网站管理员联系,青岛企业网站seo技巧基于飞桨paddle的极简方案构建手写数字识别模型测试代码 原始测试图片为255X252的图片 因为是极简方案采用的是线性回归模型#xff0c;所以预测结果数字不一致 本次预测的数字是 [[3]] 测试结果#xff1a;
PS E:\project\python D:/Python39/python.exe e:/pro…基于飞桨paddle的极简方案构建手写数字识别模型测试代码 原始测试图片为255X252的图片 因为是极简方案采用的是线性回归模型所以预测结果数字不一致 本次预测的数字是 [[3]] 测试结果
PS E:\project\python D:/Python39/python.exe e:/project/python/MNIST.py
10.0.0
2.4.2
图像数据形状和对应数据为: (28, 28)
图像标签形状和对应数据为: (1,) [5]打印第一个batch的第一个图像对应标签数字为[5]
epoch_id: 0, batch_id: 0, loss is: [34.4626]
epoch_id: 0, batch_id: 1000, loss is: [7.599941]
epoch_id: 0, batch_id: 2000, loss is: [4.583123]
epoch_id: 0, batch_id: 3000, loss is: [2.8974648]
epoch_id: 1, batch_id: 0, loss is: [3.610869]
epoch_id: 1, batch_id: 1000, loss is: [5.6290216]
epoch_id: 1, batch_id: 2000, loss is: [1.9465038]
epoch_id: 1, batch_id: 3000, loss is: [2.1046467]
epoch_id: 7, batch_id: 2000, loss is: [4.63013]
epoch_id: 7, batch_id: 3000, loss is: [4.4638147]
epoch_id: 8, batch_id: 0, loss is: [3.0043283]
epoch_id: 8, batch_id: 1000, loss is: [1.633965]
epoch_id: 8, batch_id: 2000, loss is: [3.1906333]
epoch_id: 8, batch_id: 3000, loss is: [2.4461133]
epoch_id: 9, batch_id: 0, loss is: [3.9595613]
epoch_id: 9, batch_id: 1000, loss is: [1.3417265]
epoch_id: 9, batch_id: 2000, loss is: [2.3505783]
epoch_id: 9, batch_id: 3000, loss is: [2.0194921]
原始图像shape: (252, 255)
采样后图片shape: (28, 28)
result Tensor(shape[1, 1], dtypefloat32, placePlace(cpu), stop_gradientFalse,[[3.94108272]])
本次预测的数字是 [[3]]
PS E:\project\python测试代码如下所示
#加载飞桨和相关类库
import paddle
from paddle.nn import Linear
import paddle.nn.functional as F
import os
import numpy as np
import matplotlib.pyplot as plt
# 导入图像读取第三方库
from PIL import Image,ImageFilter
print(Image.__version__) #10.0.0
#原来是在pillow的10.0.0版本中ANTIALIAS方法被删除了使用新的方法即可Image.LANCZOS
#或降级版本为9.5.0,安装pip install Pillow9.5.0
print(paddle.__version__) #2.4.2#飞桨提供了多个封装好的数据集API涵盖计算机视觉、自然语言处理、推荐系统等多个领域
# 帮助读者快速完成深度学习任务。
# 如在手写数字识别任务中
# 通过paddle.vision.datasets.MNIST可以直接获取处理好的MNIST训练集、测试集
# 飞桨API支持如下常见的学术数据集mnist
cifar
Conll05
imdb
imikolov
movielens
sentiment
uci_housing
wmt14
wmt16
#数据处理
# 设置数据读取器API自动读取MNIST数据训练集
train_dataset paddle.vision.datasets.MNIST(modetrain)train_data0 np.array(train_dataset[0][0])
train_label_0 np.array(train_dataset[0][1])# 显示第一batch的第一个图像import matplotlib.pyplot as plt
plt.figure(Image) # 图像窗口名称
plt.figure(figsize(2,2))
plt.imshow(train_data0, cmapplt.cm.binary)
plt.axis(on) # 关掉坐标轴为 off
plt.title(image) # 图像题目
plt.show()
print(图像数据形状和对应数据为:, train_data0.shape) #(28, 28)
print(图像标签形状和对应数据为:, train_label_0.shape, train_label_0) #(1,) [5]
print(\n打印第一个batch的第一个图像对应标签数字为{}.format(train_label_0)) # [5]#飞桨将维度是28×28的手写数字图像转成向量形式存储
# 因此使用飞桨数据加载器读取到的手写数字图像是长度为78428×28的向量。#模型设计
#模型的输入为784维28×28数据输出为1维数据# 定义mnist数据识别网络结构同房价预测网络
#
class MNIST(paddle.nn.Layer):def __init__(self):super(MNIST, self).__init__()# 定义一层全连接层输出维度是1self.fc paddle.nn.Linear(in_features784, out_features1)# 定义网络结构的前向计算过程def forward(self, inputs):outputs self.fc(inputs)return outputs
##训练配置
# 声明网络结构
model MNIST()
def train(model):# 启动训练模式model.train()# 加载训练集 batch_size 设为 16train_loader paddle.io.DataLoader(paddle.vision.datasets.MNIST(modetrain), batch_size16, shuffleTrue)# 定义优化器使用随机梯度下降SGD优化器学习率设置为0.001opt paddle.optimizer.SGD(learning_rate0.001, parametersmodel.parameters())
#
# 图像归一化函数将数据范围为[0, 255]的图像归一化到[0, 1]
def norm_img(img):# 验证传入数据格式是否正确img的shape为[batch_size, 28, 28]assert len(img.shape) 3batch_size, img_h, img_w img.shape[0], img.shape[1], img.shape[2]# 归一化图像数据img img / 255# 将图像形式reshape为[batch_size, 784]img paddle.reshape(img, [batch_size, img_h*img_w])return img
#
import paddle
# 确保从paddle.vision.datasets.MNIST中加载的图像数据是np.ndarray类型
paddle.vision.set_image_backend(cv2)# 声明网络结构
model MNIST()
#
def run(model):# 启动训练模式model.train()# 加载训练集 batch_size 设为 16train_loader paddle.io.DataLoader(paddle.vision.datasets.MNIST(modetrain), batch_size16, shuffleTrue)# 定义优化器使用随机梯度下降SGD优化器学习率设置为0.001opt paddle.optimizer.SGD(learning_rate0.001, parametersmodel.parameters())EPOCH_NUM 10for epoch in range(EPOCH_NUM):for batch_id, data in enumerate(train_loader()):images norm_img(data[0]).astype(float32)labels data[1].astype(float32)#前向计算的过程predicts model(images)# 计算损失loss F.square_error_cost(predicts, labels)avg_loss paddle.mean(loss)#每训练了1000批次的数据打印下当前Loss的情况if batch_id % 1000 0:print(epoch_id: {}, batch_id: {}, loss is: {}.format(epoch, batch_id, avg_loss.numpy()))#后向传播更新参数的过程avg_loss.backward()opt.step()opt.clear_grad()
#
#调用训练
run(model)
paddle.save(model.state_dict(), ./mnist.pdparams) #模型测试#
def showImage(im):#img_path example_0.jpg# 读取原始图像并显示#im Image.open(example_0.jpg)plt.imshow(im)plt.show()# 将原始图像转为灰度图im im.convert(L)print(原始图像shape: , np.array(im).shape)# 使用Image.ANTIALIAS方式采样原始图片im im.resize((28, 28), Image.LANCZOS)plt.imshow(im)plt.show()print(采样后图片shape: , np.array(im).shape)
#
im Image.open(example_0.jpg)
showImage(im)# 读取一张本地的样例图片转变成模型输入的格式
#
def load_image(img_path):# 从img_path中读取图像并转为灰度图im Image.open(img_path).convert(L)# print(np.array(im))im im.resize((28, 28), Image.LANCZOS)im np.array(im).reshape(1, -1).astype(np.float32)# 图像归一化保持和数据集的数据范围一致im 1 - im / 255return im
#
# 定义预测过程
def test():model MNIST()params_file_path mnist.pdparamsimg_path example_0.jpg# 加载模型参数param_dict paddle.load(params_file_path)model.load_dict(param_dict)# 灌入数据model.eval()tensor_img load_image(img_path) result model(paddle.to_tensor(tensor_img))print(result,result)# 预测输出取整即为预测的数字打印结果print(本次预测的数字是, result.numpy().astype(int32))
#
test();
