https://www.bilibili.com/video/BV18b4y1J7a6/
任务介绍手写数字识别是计算机视觉的一个经典项目，因为手写数字的随机性，使用传统的计算机视觉技术难以找到数字共有特征。在计算机视觉发展的初期，手写数字识别成为一大难题。
从我们之前讲解的视觉任务分类来看，手写数字识别是典型的分类任务，输入一张图片进行十分类。在现实生活中，手写数字识别也有非常多的应用场景。如下图，我们看到的邮编的识别，可以极大地推动产业自动化，使用卷积神经网络实现的精度甚至可以超越人类。
本次任务就是想建立一个模型，输入一张手写数字的图片，就能输出一个正确的分类结果。通过这样的一个实战项目，可以很好地帮我们巩固和理解我们之前讲过的卷积、池化等常用 *** 作，也可以温习一下深度学习的基本流程。
数据准备手写数字识别有通用的数据集MNIST，其中包含已经标注好的几万张手写数字，并且分好了训练集和评价集。如果我们对其中的一张图片进行可视化，可以看到这样的画面：
图像的shape为**（1，28，28），是单通道图**，图像的大小仅为28*28，它的标注为7。
通常对于一般项目来说，需要自己手写一个Dataloader来依次加载数据，返回图片和标注，供给训练的接口用于训练。这里考虑到我们入门的原因，直接使用写好的API。有兴趣的同学可以自己尝试不使用高级API，自己下载好压缩包手写一下Dataloader。
train_loader = paddle.io.DataLoader(MNIST(mode='train', transform=ToTensor()), batch_size=10, shuffle=True) valid_loader = paddle.io.DataLoader(MNIST(mode='test', transform=ToTensor()), batch_size=10)
通过上面包装好的API，我们就加载好了训练集和评价集，可以供训练接口调用。
网络搭建准备好数据之后，第二部也就是搭建卷积神经网络，卷积神经网络直接影响着模型的精度，这一步也是最为关键的一个环节。本次实战中，我们默认使用LeNet。LeNet是最早的卷积神经网络之一，诞生于1998年，在手写数字识别任务中取得了巨大成功。
它的网络结构也非常简单，基本上为一个卷积层接着一个池化层，最后通过两个全连接层输出一个[1,10]的矩阵。全连接层我们之前没有介绍过，它通常用于拟合一些批量数据，比如有很多散点，拟合出一条曲线。它的结构如下：
也就是说每一个输出和前面一层的所有参数都相关，它的数学表达其实就是乘上一个变换矩阵再加上偏差，得到输出矩阵。为什么图像中大量使用卷积层，很少使用全连接层呢？这边留给大家课后自己思考。
LeNet使用Paddle复现代码如下：
import paddle
import numpy as np
from paddle.nn import Conv2D, MaxPool2D, Linear
import paddle.nn.functional as F
# 定义 LeNet 网络结构
class LeNet(paddle.nn.Layer):
def __init__(self, num_classes=1):
super(LeNet, self).__init__()
self.conv1 = Conv2D(in_channels=1, out_channels=6, kernel_size=5)
self.max_pool1 = MaxPool2D(kernel_size=2, stride=2)
self.conv2 = Conv2D(in_channels=6, out_channels=16, kernel_size=5)
self.max_pool2 = MaxPool2D(kernel_size=2, stride=2)
self.conv3 = Conv2D(in_channels=16, out_channels=120, kernel_size=4)
self.fc1 = Linear(in_features=120, out_features=64)
self.fc2 = Linear(in_features=64, out_features=num_classes)
def forward(self, x): #[N,1,28,28]
x = self.conv1(x) #[N,6,24,24]
x = F.sigmoid(x) #[N,6,24,24]
x = self.max_pool1(x) #[N,6,12,12]
x = F.sigmoid(x) #[N,6,12,12]
x = self.conv2(x) #[N,16,8,8]
x = self.max_pool2(x) #[N,16,4,4]
x = self.conv3(x) #[N,120,1,1]
x = paddle.reshape(x, [x.shape[0], -1]) #[N,120]
x = self.fc1(x) #[N,64]
x = F.sigmoid(x) #[N,64]
x = self.fc2(x) #[N,10]
return x
Paddle使用动态图的这种写法非常清晰，定义一个类体，在初始化函数内写好需要使用的层，需要特别注意好输入输出的通道数，卷积核的大小这些参数，如果稍不注意就会出现维度上的错误。在这边定义好之后，我们再写forward函数，forward函数就是之后我们传入图像后真正执行的运算。
为了帮助大家理解，再详细解释一下执行流程。首先我们实例化类体。
model = LeNet(num_classes=10)
实例化的时候，类体自动地执行init()初始化函数，init()函数里面又实例化了Conv2D，MaxPool2D，这些其实都是类体，这些类体和LeNet一样，也有init()和forward函数，在初始化函数中都进行了相应的实例化。实例化的过程，并没有真正开始运算，只是定义好了我想要使用的层。
output = model(img)
当我再次运行上面的代码后，相当于调用了这个类体，并且输入了img，这时候类体会自动调用call()函数，那forward函数为什么会执行呢？原因就在于所有的运算都继承了paddle.nn.Layer母类，母类中将forward函数写在了call()下面，那么就相当于调用LeNet这个类体的时候，自动调用了forward函数，这时候也就开始了真正的运算过程。
整个过程希望大家反复推敲，知道彻底理解为止。不难发现，这样的建立网络的形式，可以不停地嵌套，这是非常清晰的形式，我们之后讲解复杂模型的时候这样的优势就会体现出来。
模型训练# -*- coding: utf-8 -*-
# LeNet 识别手写数字
import imp
import paddle
import numpy as np
import paddle
from model import LeNet
from paddle.vision.transforms import ToTensor
from paddle.vision.datasets import MNIST
def train(model, opt, train_loader, valid_loader):
use_gpu = True
paddle.device.set_device('gpu:0') if use_gpu else paddle.device.set_device('cpu')
print('start training ... ')
model.train()
for epoch in range(EPOCH_NUM):
for batch_id, data in enumerate(train_loader()):
img = data[0] #[10,1,28,28]
label = data[1] #[10,1]
# 计算模型输出
logits = model(img)
# 计算损失函数
loss_func = paddle.nn.CrossEntropyLoss(reduction='none')
loss = loss_func(logits, label)
avg_loss = paddle.mean(loss)
if batch_id % 500 == 0:
print("epoch: {}, batch_id: {}, loss is: {:.4f}".format(epoch+1, batch_id, float(avg_loss.numpy())))
avg_loss.backward()
opt.step()
opt.clear_grad()
model.eval()
accuracies = []
losses = []
for batch_id, data in enumerate(valid_loader()):
img = data[0]
label = data[1]
# 计算模型输出
logits = model(img)
# 计算损失函数
loss_func = paddle.nn.CrossEntropyLoss(reduction='none')
loss = loss_func(logits, label)
acc = paddle.metric.accuracy(logits, label)
accuracies.append(acc.numpy())
losses.append(loss.numpy())
print("[validation] accuracy/loss: {:.4f}/{:.4f}".format(np.mean(accuracies), np.mean(losses)))
model.train()
# 保存模型参数
paddle.save(model.state_dict(), 'mnist.pdparams')
model = LeNet(num_classes=10)
EPOCH_NUM = 5
opt = paddle.optimizer.Momentum(learning_rate=0.001, parameters=model.parameters())
train_loader = paddle.io.DataLoader(MNIST(mode='train', transform=ToTensor()), batch_size=10, shuffle=True)
valid_loader = paddle.io.DataLoader(MNIST(mode='test', transform=ToTensor()), batch_size=10)
train(model, opt, train_loader, valid_loader)
训练的代码我们根据学过的知识，就非常清晰。从数据集接口获得数据集，把图像输入到模型中，模型得到一个预测值，使用CrossEntropyLoss损失函数计算预测值和标签真实值的loss，将loss反向发聩给网络参数，最后使用优化器修正参数，降低loss。
需要注意的是CrossEntropyLoss损失函数自带softmax，分类问题最后都需要一个softmax激活函数，把输出的[1,10]矩阵归到[0,1]，并且10个数的和为1，也就代表了这张图片为0-9的概率。
模型预测import numpy as np
import paddle
from model import LeNet
from paddle.vision.datasets import MNIST
from paddle.vision.transforms import ToTensor
import paddle.nn.functional as F
valid_loader = MNIST(mode='test', transform=ToTensor())
img = np.array(valid_loader[0][0])
# import matplotlib.pyplot as plt
# plt.imshow(img.squeeze(), cmap='gray')
# plt.show()
model = LeNet(num_classes=10)
model_dict = paddle.load("mnist.pdparams")
model.set_state_dict(model_dict)
model.eval()
x = valid_loader[0][0].reshape((1,1,28,28)).astype('float32')
result = F.softmax(model(x))
print(result.numpy()[0])
训练完模型之后，我们需要加载模型并且预测，这里就挑选了评价集中的一张图片预测，看一下输出的结果是否正确。
model = LeNet(num_classes=10)
model_dict = paddle.load("mnist.pdparams")
model.set_state_dict(model_dict)
我们使用这样的方法加载模型，最后预测输出：
[7.3181213e-06 1.4578840e-05 3.3818762e-04 2.1557527e-04 2.6723552e-05 6.7271581e-06 1.3456239e-08 9.9840504e-01 4.1231990e-05 9.4459485e-04]
这也就分别代表0-9的概率，7的概率高达99.84%，模型输出正确！
参考资料https://www.paddlepaddle.org.cn/tutorials/projectdetail/2227103
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）