为了解决AI技术问题，继续求助万能的百度爹好了
今天试了下这个示例中的几个小程序
import numpy as np import paddle as paddle import paddle.dataset.mnist as mnist import paddle.fluid as fluid from PIL import Image import matplotlib.pyplot as plt # 定义多层感知器 def multilayer_perceptron(input): # 第一个全连接层，激活函数为ReLU hidden1 = fluid.layers.fc(input=input, size=100, act='relu') # 第二个全连接层，激活函数为ReLU hidden2 = fluid.layers.fc(input=hidden1, size=100, act='relu') # 以softmax为激活函数的全连接输出层，大小为label大小 fc = fluid.layers.fc(input=hidden2, size=10, act='softmax') return fc # 卷积神经网络 def convolutional_neural_network(input): # 第一个卷积层，卷积核大小为3*3，一共有32个卷积核 conv1 = fluid.layers.conv2d(input=input, num_filters=32, filter_size=3, stride=1) # 第一个池化层，池化大小为2*2，步长为1，最大池化 pool1 = fluid.layers.pool2d(input=conv1, pool_size=2, pool_stride=1, pool_type='max') # 第二个卷积层，卷积核大小为3*3，一共有64个卷积核 conv2 = fluid.layers.conv2d(input=pool1, num_filters=64, filter_size=3, stride=1) # 第二个池化层，池化大小为2*2，步长为1，最大池化 pool2 = fluid.layers.pool2d(input=conv2, pool_size=2, pool_stride=1, pool_type='max') # 以softmax为激活函数的全连接输出层，大小为label大小 fc = fluid.layers.fc(input=pool2, size=10, act='softmax') return fc # 定义输入层 image = fluid.layers.data(name='image', shape=[1, 28, 28], dtype='float32') label = fluid.layers.data(name='label', shape=[1], dtype='int64') # 获取分类器 # model = multilayer_perceptron(image) model = convolutional_neural_network(image) # 获取损失函数和准确率函数 cost = fluid.layers.cross_entropy(input=model, label=label) avg_cost = fluid.layers.mean(cost) acc = fluid.layers.accuracy(input=model, label=label) # 获取测试程序 test_program = fluid.default_main_program().clone(for_test=True) # 定义优化方法 optimizer = fluid.optimizer.AdamOptimizer(learning_rate=0.001) opts = optimizer.minimize(avg_cost) # 获取MNIST数据 train_reader = paddle.batch(mnist.train(), batch_size=128) test_reader = paddle.batch(mnist.test(), batch_size=128) # 定义一个使用CPU的执行器 place = fluid.CPUPlace() exe = fluid.Executor(place) # 进行参数初始化 exe.run(fluid.default_startup_program()) # 定义输入数据维度 feeder = fluid.DataFeeder(place=place, feed_list=[image, label]) # 开始训练和测试 for pass_id in range(5): # 进行训练 for batch_id, data in enumerate(train_reader()): train_cost, train_acc = exe.run(program=fluid.default_main_program(), feed=feeder.feed(data), fetch_list=[avg_cost, acc]) # 每100个batch打印一次信息 if batch_id % 100 == 0: print('Pass:%d, Batch:%d, Cost:%0.5f, Accuracy:%0.5f' % (pass_id, batch_id, train_cost[0], train_acc[0])) # 进行测试 test_accs = [] test_costs = [] for batch_id, data in enumerate(test_reader()): test_cost, test_acc = exe.run(program=test_program, feed=feeder.feed(data), fetch_list=[avg_cost, acc]) test_accs.append(test_acc[0]) test_costs.append(test_cost[0]) # 求测试结果的平均值 test_cost = (sum(test_costs) / len(test_costs)) test_acc = (sum(test_accs) / len(test_accs)) print('Test:%d, Cost:%0.5f, Accuracy:%0.5f' % (pass_id, test_cost, test_acc))
这个就是第一个教程的例子，我们构建了一个卷积神经网络，之后训练模型
通过这个模型，我们能得出精度相对较高的模型