使用LeNet在MNIST数据集实现图像分类¶

https://www.paddlepaddle.org.cn/documentation/docs/zh/practices/cv/image_classification.html

一、环境配置¶

本教程基于PaddlePaddle 2.3.0 编写，如果你的环境不是本版本，请先参考官网安装 PaddlePaddle 2.3.0。import paddle print(paddle.__version__) 2.3.0

二、数据加载¶

手写数字的MNIST数据集，包含60,000个用于训练的示例和10,000个用于测试的示例。这些数字已经过尺寸标准化并位于图像中心，图像是固定大小(28×28像素)，其值为0到1。该数据集的官方地址为：http://yann.lecun.com/exdb/mnist 。

我们使用飞桨框架自带的 paddle.vision.datasets.MNIST 完成mnist数据集的加载。from paddle.vision.transforms import Compose, Normalize transform = Compose([Normalize(mean=[127.5], std=[127.5], data_format=’CHW’)]) # 使用transform对数据集做归一化 print(‘download training data and load training data’) train_dataset = paddle.vision.datasets.MNIST(mode=’train’, transform=transform) test_dataset = paddle.vision.datasets.MNIST(mode=’test’, transform=transform) print(‘load finished’)

取训练集中的一条数据看一下。import numpy as np import matplotlib.pyplot as plt train_data0, train_label_0 = train_dataset[0][0],train_dataset[0][1] train_data0 = train_data0.reshape([28,28]) plt.figure(figsize=(2,2)) plt.imshow(train_data0, cmap=plt.cm.binary) print(‘train_data0 label is: ‘ + str(train_label_0)) train_data0labelis: [5]

三、组网¶

用paddle.nn下的API，如Conv2D、MaxPool2D、Linear完成LeNet的构建。import paddle import paddle.nn.functional as F classLeNet(paddle.nn.Layer): def__init__(self): super().__init__() self.conv1 = paddle.nn.Conv2D(in_channels=1, out_channels=6, kernel_size=5, stride=1, padding=2) self.max_pool1 = paddle.nn.MaxPool2D(kernel_size=2, stride=2) self.conv2 = paddle.nn.Conv2D(in_channels=6, out_channels=16, kernel_size=5, stride=1) self.max_pool2 = paddle.nn.MaxPool2D(kernel_size=2, stride=2) self.linear1 = paddle.nn.Linear(in_features=16*5*5, out_features=120) self.linear2 = paddle.nn.Linear(in_features=120, out_features=84) self.linear3 = paddle.nn.Linear(in_features=84, out_features=10) defforward(self, x): x = self.conv1(x) x = F.relu(x) x = self.max_pool1(x) x = self.conv2(x) x = F.relu(x) x = self.max_pool2(x) x = paddle.flatten(x, start_axis=1,stop_axis=-1) x = self.linear1(x) x = F.relu(x) x = self.linear2(x) x = F.relu(x) x = self.linear3(x) return x

四、方式1：基于高层API，完成模型的训练与预测¶

通过paddle提供的Model 构建实例，使用封装好的训练与测试接口，快速完成模型训练与测试。

4.1 使用 Model.fit来训练模型¶

from paddle.metric import Accuracy model = paddle.Model(LeNet()) # 用Model封装模型 optim = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()) # 配置模型 model.prepare( optim, paddle.nn.CrossEntropyLoss(), Accuracy() ) # 训练模型 model.fit(train_dataset, epochs=2, batch_size=64, verbose=1 )

4.2 使用 Model.evaluate 来预测模型¶

model.evaluate(test_dataset, batch_size=64, verbose=1) Eval begin… step 157/157 [==============================] – loss: 4.2854e-04 – acc: 0.9841 – 7ms/step Eval samples: 10000 {‘loss’: [0.00042853763], ‘acc’: 0.9841}

方式一结束¶

以上就是方式一，可以快速、高效的完成网络模型训练与预测。

五、方式2：基于基础API，完成模型的训练与预测¶

5.1 模型训练¶

组网后，开始对模型进行训练，先构建train_loader，加载训练数据，然后定义train函数，设置好损失函数后，按batch加载数据，完成模型的训练。import paddle.nn.functional as F train_loader = paddle.io.DataLoader(train_dataset, batch_size=64, shuffle=True) # 加载训练集 batch_size 设为 64deftrain(model): model.train() epochs = 2 optim = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()) # 用Adam作为优化函数for epoch in range(epochs): for batch_id, data in enumerate(train_loader()): x_data = data[0] y_data = data[1] predicts = model(x_data) loss = F.cross_entropy(predicts, y_data) # 计算损失 acc = paddle.metric.accuracy(predicts, y_data) loss.backward() if batch_id % 300 == 0: print(“epoch: {}, batch_id: {}, loss is: {}, acc is: {}”.format(epoch, batch_id, loss.numpy(), acc.numpy())) optim.step() optim.clear_grad() model = LeNet() train(model) epoch: 0, batch_id: 0, lossis: [2.9878871], accis: [0.140625] epoch: 0, batch_id: 300, lossis: [0.22775462], accis: [0.921875] epoch: 0, batch_id: 600, lossis: [0.06251755], accis: [0.984375] epoch: 0, batch_id: 900, lossis: [0.1097075], accis: [0.96875] epoch: 1, batch_id: 0, lossis: [0.04311676], accis: [0.984375] epoch: 1, batch_id: 300, lossis: [0.00150577], accis: [1.] epoch: 1, batch_id: 600, lossis: [0.08764459], accis: [0.96875] epoch: 1, batch_id: 900, lossis: [0.14419323], accis: [0.9375]

5.2 模型验证¶

训练完成后，需要验证模型的效果，此时，加载测试数据集，然后用训练好的模对测试集进行预测，计算损失与精度。test_loader = paddle.io.DataLoader(test_dataset, places=paddle.CPUPlace(), batch_size=64) # 加载测试数据集deftest(model): model.eval() batch_size = 64 for batch_id, data in enumerate(test_loader()): x_data = data[0] y_data = data[1] predicts = model(x_data) # 获取预测结果 loss = F.cross_entropy(predicts, y_data) acc = paddle.metric.accuracy(predicts, y_data) if batch_id % 20 == 0: print(“batch_id: {}, loss is: {}, acc is: {}”.format(batch_id, loss.numpy(), acc.numpy())) test(model) batch_id: 0, lossis: [0.01201783], accis: [1.] batch_id: 20, lossis: [0.09013407], accis: [0.984375] batch_id: 40, lossis: [0.07025866], accis: [0.96875] batch_id: 60, lossis: [0.08602518], accis: [0.984375] batch_id: 80, lossis: [0.00779913], accis: [1.] batch_id: 100, lossis: [0.00508764], accis: [1.] batch_id: 120, lossis: [0.00401443], accis: [1.] batch_id: 140, lossis: [0.03930391], accis: [0.96875]

方式二结束¶

以上就是方式二，通过底层API，可以清楚的看到训练和测试中的每一步过程。但是，这种方式比较复杂。因此，我们提供了训练方式一，使用高层API来完成模型的训练与预测。对比底层API，高层API能够更加快速、高效的完成模型的训练与测试。

六、总结¶

以上就是用LeNet对手写数字数据及MNIST进行分类。本示例提供了两种训练模型的方式，一种可以快速完成模型的组建与预测，非常适合新手用户上手。另一种则需要多个步骤来完成模型的训练，适合进阶用户使用。