当前位置： 首页 > news >正文

长安网站建设软件开发,广州市门户网站建设,万网上传网站,wordpress主题文件基于飞桨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();