paddlepaddle學習筆記（二）———手寫數字識別

1. 基於縱向+橫向的基本框架

 

 

 縱向爲訓練模型的通常步驟，橫向爲每一部分設計合適的方案，使得學習者更好的掌握深度學習的理論知識。

2. 模型實現

 讀取數據：paddle.dataset.mnist.train()

 模型設計：模型的輸入爲784維（28*28）數據，輸出爲1維數據，如 下圖 所示。

　　輸入像素的位置排布信息對理解圖像內容很是重要（如將原始尺寸爲28*28圖像的像素按照7*112的尺寸排布，那麼其中的數字將不可識別），所以網絡的輸入設計爲28*28的尺寸，而不是1*784，以便於模型可以正確處理像素之間的空間信息。

訓練配置：訓練配置須要先生成模型實例（設爲「訓練」狀態），再設置優化算法和學習率（使用隨機梯度降低SGD，學習率設置爲0.001）

 

訓練過程：訓練過程採用二層循環嵌套方式，訓練完成後須要保存模型參數，以便後續使用。

• 內層循環：負責整個數據集的一次遍歷，遍歷數據集採用分批次（batch）方式。
• 外層循環：定義遍歷數據集的次數，本次訓練中外層循環10次，經過參數EPOCH_NUM設置。

模型測試： 模型測試的主要目的是驗證訓練好的模型是否能正確識別出數字，包括以下四步：

• 聲明實例
• 加載模型：加載訓練過程當中保存的模型參數。
• 灌入數據：將測試樣本傳入模型，模型的狀態設置爲校驗狀態（eval），顯式告訴框架咱們接下來只會使用前向計算的流程，不會計算梯度和梯度反向傳播。
• 獲取預測結果，取整後做爲預測標籤輸出。

在模型測試以前，須要先從'./work/example_0.jpg'文件中讀取樣例圖片，並進行歸一化處理。