Paddle 环境中使用LeNet在MNIST数据集实现图像分类

Posted 2022-01-04 卓晴

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Paddle 环境中使用LeNet在MNIST数据集实现图像分类相关的知识，希望对你有一定的参考价值。

简介：测试了在AI Stuio中 使用LeNet在MNIST数据集实现图像分类 示例。基于可以搭建其他网络程序。

关键词： MNIST，Paddle，LeNet

作者: PaddlePaddle
日期: 2021.12
摘要: 本示例教程演示如何在MNIST数据集上用LeNet进行图像分类。

§01 环境配置

本教程基于Paddle 2.2 编写，如果你的环境不是本版本，请先参考官网安装 Paddle 2.2。

import paddle
print(paddle.__version__)

2.2.1

§02 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(28x28像素)，其值为0到1。该数据集的官方地址为：http://yann.lecun.com/exdb/mnist 。

一、加载mnist数据集合

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')])
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')

download training data and load training data
Cache file /home/aistudio/.cache/paddle/dataset/mnist/train-images-idx3-ubyte.gz not found, downloading https://dataset.bj.bcebos.com/mnist/train-images-idx3-ubyte.gz 
Begin to download
item 8/8 [============================>.] - ETA: 0s - 4ms/item

Download finished
Cache file /home/aistudio/.cache/paddle/dataset/mnist/train-labels-idx1-ubyte.gz not found, downloading https://dataset.bj.bcebos.com/mnist/train-labels-idx1-ubyte.gz 
Begin to download

Download finished
item  95/403 [======>.......................] - ETA: 0s - 2ms/item
Cache file /home/aistudio/.cache/paddle/dataset/mnist/t10k-images-idx3-ubyte.gz not found, downloading https://dataset.bj.bcebos.com/mnist/t10k-images-idx3-ubyte.gz 
Begin to download
item 2/2 [===========================>..] - ETA: 0s - 2ms/item

Download finished
Cache file /home/aistudio/.cache/paddle/dataset/mnist/t10k-labels-idx1-ubyte.gz not found, downloading https://dataset.bj.bcebos.com/mnist/t10k-labels-idx1-ubyte.gz 
Begin to download

Download finished
load finished

二、查看数据图像

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_data0 label is: [5]

/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2349: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  if isinstance(obj, collections.Iterator):
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2366: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  return list(data) if isinstance(data, collections.MappingView) else data
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/numpy/lib/type_check.py:546: DeprecationWarning: np.asscalar(a) is deprecated since NumPy v1.16, use a.item() instead
  'a.item() instead', DeprecationWarning, stacklevel=1)

▲ 图2.2.1 训练结合中的图片

§03 建立网络

用paddle.nn下的API，如Conv2D、MaxPool2D、Linear完成LeNet的构建。

import paddle
import paddle.nn.functional as F
class LeNet(paddle.nn.Layer):
    def __init__(self):
        super(LeNet, self).__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)

    def forward(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

§04 网络训练

一、方式1：基于高层API

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。

1、使用Model.fit完成模型训练

方式1：基于高层API，完成模型的训练与预测

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())

model.prepare(
    optim,
    paddle.nn.CrossEntropyLoss(),
    Accuracy()
    )

model.fit(train_dataset,
        epochs=2,
        batch_size=64,
        verbose=1
        )

▲ 图4.1.1 训练两个周期

运行时长:42.963秒结束时间:2021-12-12 23:08:16

2、使用Model.evaluate进行模型预测

model.evaluate(test_dataset, batch_size=64, verbose=1)

▲ 图4.1.2 预测模型

'loss': [0.0013720806], 'acc': 0.9848

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。
上述训练过程是在普通CPU的模式下进行的。

二、方式基于基础API

方式2：基于基础API，完成模型的训练与预测

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)
def train(model):
    model.train()
    epochs = 使用LeNet网络进行MNIST图像分类
 AI Studio ： 利用Paddle框架中的极简框架识别MNIST
 我用 PyTorch 复现了 LeNet-5 神经网络（MNIST 手写数据集篇）！
 我用 PyTorch 复现了 LeNet-5 神经网络（MNIST 手写数据集篇）！
 我用 PyTorch 复现了 LeNet-5 神经网络（MNIST 手写数据集篇）！
 我用 PyTorch 复现了 LeNet-5 神经网络（MNIST 手写数据集篇）！

Paddle 环境中 使用LeNet在MNIST数据集实现图像分类