示例:经典的MNIST手写数字分类任务
关于MNIST数据集
手写字体MNIST数据集下载: THE MNIST DATABASE of handwritten digits
可以看到包括以下数据:
train-images-idx3-ubyte.gz: training set images (9912422 bytes)
train-labels-idx1-ubyte.gz: training set labels (28881 bytes)
t10k-images-idx3-ubyte.gz: test set images (1648877 bytes)
t10k-labels-idx1-ubyte.gz: test set labels (4542 bytes)
其中,训练数据包括60,000条,测试数据包括10,000条。每个数据包括一个28*28=784的图像数组和标签,获取MNIST数据集的代码如下:
import numpy as np
import matplotlib.pyplot as plt
reader = paddle.dataset.mnist.train()
for image in reader():
image = np.array(image)
print(image[0].shape) # 数据内容 的形状为 28*28=784 的图像数组
print(image[1]) # 标签
# 获取第一张图片并显示
first_image = image[0].reshape(28, 28)
plt.imshow(first_image)
break
关于获取MNIST数据集的方法 paddle.dataset.mnist
参见:https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/data_cn/dataset_cn/mnist_cn.html
常规方式
以下示例,通过手动创建变量,定义网络的每个层,达到训练模型的目的:
import paddle
from paddle import fluid
from functools import reduce
import matplotlib.pyplot as plt
import numpy as np
# 定义输入的形状
images = fluid.layers.data(name="pixel", shape=[1, 28, 28], dtype='float32')
label = fluid.layers.data(name="label", shape=[1], dtype='int64')
# 定义层
conv_pool_1 = fluid.nets.simple_img_conv_pool(input=images, filter_size=5, num_filters=20, pool_size=2, pool_stride=2, act="relu")
conv_pool_2 = fluid.nets.simple_img_conv_pool(input=conv_pool_1, filter_size=5, num_filters=50, pool_size=2, pool_stride=2, act="relu")
SIZE = 10
input_shape = conv_pool_2.shape
param_shape = [reduce(lambda a, b: a * b, input_shape[1:], 1)] + [SIZE]
scale = (2.0 / (param_shape[0] ** 2 * SIZE)) ** 0.5
predict = fluid.layers.fc(input=conv_pool_2, size=SIZE, act="softmax", param_attr=fluid.param_attr.ParamAttr(
initializer=fluid.initializer.NormalInitializer(loc=0.0, scale=scale)
))
# 损失函数及优化函数
cost = fluid.layers.cross_entropy(input=predict, label=label)
avg_cost = fluid.layers.mean(x=cost)
opt = fluid.optimizer.AdamOptimizer(learning_rate=0.001, beta1=0.9, beta2=0.999)
opt.minimize(avg_cost)
# 加载数据
reader = paddle.dataset.mnist.train()
batched_reader = paddle.batch(reader, batch_size=200)
# 执行器
place = fluid.CPUPlace()
exe = fluid.Executor(place)
feeder = fluid.DataFeeder(feed_list=[images, label], place=place)
exe.run(fluid.default_startup_program())
# 开始训练
losses = []
for data in batched_reader():
loss = exe.run(feed=feeder.feed(data), fetch_list=[avg_cost])
losses.append(loss)
print(loss)
# 绘制损失值图像
losses = np.array(losses)
plt.plot(losses.flatten())
由于数据量巨大,而我是使用CPU进行的训练,足足训练了6min,输出结果:
运行时长: 6分32秒289毫秒
[array([2.3050933], dtype=float32)]
[array([2.1798933], dtype=float32)]
[array([2.041367], dtype=float32)]
[array([1.8695843], dtype=float32)]
[array([1.7091033], dtype=float32)]
[array([1.5944638], dtype=float32)]
[array([1.3899304], dtype=float32)]
[array([1.2142174], dtype=float32)]
[array([0.93150413], dtype=float32)]
[array([0.92134124], dtype=float32)]
......
[array([0.02884364], dtype=float32)]
[array([0.04368482], dtype=float32)]
[array([0.02136619], dtype=float32)]
[array([0.03527835], dtype=float32)]
[array([0.01867639], dtype=float32)]
[array([0.05465743], dtype=float32)]
[array([0.00479105], dtype=float32)]
[array([0.1301369], dtype=float32)]
[array([0.04957756], dtype=float32)]
[array([0.25675547], dtype=float32)]
[array([0.13143504], dtype=float32)]
网络模型
我们将其封装为网络模型,并将模型保存,方便调用:
import paddle
from paddle import fluid
from paddle.fluid.dygraph.nn import Conv2D, Pool2D, Linear
import matplotlib.pyplot as plt
import numpy as np
import json
import gzip
import random
# 定义数据集读取器
def load_data(mode='train'):
# 读取本地数据文件
datafile = './work/mnist.json.gz'
print('loading mnist dataset from {} ......'.format(datafile))
data = json.load(gzip.open(datafile))
# 读取数据集中的训练集,验证集和测试集
train_set, val_set, eval_set = data
# 数据集相关参数,图片高度IMG_ROWS, 图片宽度IMG_COLS
IMG_ROWS = 28
IMG_COLS = 28
# 根据输入mode参数决定使用训练集,验证集还是测试
if mode == 'train':
imgs = train_set[0]
labels = train_set[1]
elif mode == 'valid':
imgs = val_set[0]
labels = val_set[1]
elif mode == 'eval':
imgs = eval_set[0]
labels = eval_set[1]
# 验证图像数量和标签数量是否一致
assert len(imgs) == len(labels), "length of train_imgs({}) should be the same as train_labels({})".format(len(imgs), len(labels))
index_list = list(range(len(imgs)))
# 读入数据时用到的batchsize
BATCHSIZE = 100
# 定义数据生成器
def data_generator():
# 训练模式下,打乱训练数据
if mode == 'train':
random.shuffle(index_list)
# 每个batch中包含的数据
imgs_list = []
labels_list = []
# 按照索引读取数据
for i in index_list:
# 读取图像和标签,转换其尺寸和类型
img = np.reshape(imgs[i], [1, IMG_ROWS, IMG_COLS]).astype('float32')
label = np.reshape(labels[i], [1]).astype('int64')
imgs_list.append(img)
labels_list.append(label)
# 如果当前数据缓存达到了batch size,就返回一个批次数据
if len(imgs_list) == BATCHSIZE:
yield np.array(imgs_list), np.array(labels_list)
# 清空数据缓存列表
imgs_list = []
labels_list = []
# 如果剩余数据的数目小于BATCHSIZE,
# 则剩余数据一起构成一个大小为len(imgs_list)的mini-batch
if len(imgs_list) > 0:
yield np.array(imgs_list), np.array(labels_list)
return data_generator
# 定义模型结构
class MNIST(fluid.dygraph.Layer):
def __init__(self):
super(MNIST, self).__init__()
# 定义一个卷积层,输出通道20,卷积核大小为5,步长为1,padding为2,使用relu激活函数
self.conv1 = Conv2D(num_channels=1, num_filters=20, filter_size=5, stride=1, padding=2, act='relu')
# 定义一个池化层,池化核为2,步长为2,使用最大池化方式
self.pool1 = Pool2D(pool_size=2, pool_stride=2, pool_type='max')
# 定义一个卷积层,输出通道20,卷积核大小为5,步长为1,padding为2,使用relu激活函数
self.conv2 = Conv2D(num_channels=20, num_filters=20, filter_size=5, stride=1, padding=2, act='relu')
# 定义一个池化层,池化核为2,步长为2,使用最大池化方式
self.pool2 = Pool2D(pool_size=2, pool_stride=2, pool_type='max')
# 定义一个全连接层,输出节点数为10
self.fc = Linear(input_dim=980, output_dim=10, act='softmax')
# 定义网络的前向计算过程
def forward(self, inputs):
x = self.conv1(inputs)
x = self.pool1(x)
x = self.conv2(x)
x = self.pool2(x)
x = fluid.layers.reshape(x, [x.shape[0], -1])
x = self.fc(x)
return x
# 配置在CPU还是GPU上训练
use_gpu = False
place = fluid.CUDAPlace(0) if use_gpu else fluid.CPUPlace()
# 训练配置
with fluid.dygraph.guard(place):
model = MNIST()
model.train()
# 加载数据
train_loader = load_data('train')
# 异步读取数据
# 定义DataLoader对象用于加载Python生成器产生的数据
data_loader = fluid.io.DataLoader.from_generator(capacity=5, return_list=True)
# 设置数据生成器
data_loader.set_batch_generator(train_loader, places=place)
#设置学习率
optimizer = fluid.optimizer.AdamOptimizer(learning_rate=0.01, parameter_list=model.parameters())
# 定义一个损失值数组,用于在图像中直观展示
losses = np.array([])
# 设置训练次数
EPOCH_NUM = 5
# 开始训练
for epoch_id in range(EPOCH_NUM):
for batch_id, data in enumerate(train_loader()):
#准备数据,变得更加简洁
image_data, label_data = data
image = fluid.dygraph.to_variable(image_data)
label = fluid.dygraph.to_variable(label_data)
#前向计算的过程
predict = model(image)
#计算损失,取一个批次样本损失的平均值
loss = fluid.layers.cross_entropy(predict, label)
avg_loss = fluid.layers.mean(loss)
#每训练了100批次的数据,打印下当前Loss的情况
if batch_id % 200 == 0:
print("epoch: {}, batch: {}, loss is: {}".format(epoch_id, batch_id, avg_loss.numpy()))
losses = np.append(losses, avg_loss.numpy())
#后向传播,更新参数的过程
avg_loss.backward()
optimizer.minimize(avg_loss)
model.clear_gradients()
#保存模型参数
fluid.save_dygraph(model.state_dict(), 'mnist')
# 绘制损失
plt.plot(losses)
关于训练过程的说明:
- 内层循环: 负责整个数据集的一次遍历,采用分批次方式(batch)。假设数据集样本数量为1000,一个批次有10个样本,则遍历一次数据集的批次数量是1000/10=100,即内层循环需要执行100次。
- 外层循环: 定义遍历数据集的次数,通过参数EPOCH_NUM设置。