原文链接：体验paddle2.0rc版本API-Model–实现Mnist数据集模型训练：https://blog.csdn.net/weixin_44604887/article/details/109566281

                         QQ:3020889729                                                                                 小蔡

import paddle
import paddle.nn as nn    # 导入网络模块:包含所需要的模块
from paddle import optimizer # 导入优化器模块
from paddle import Model     # 导入模型高级API，可传入设计好的网络模型，进行一系列的fit训练等操作
from paddle import metric    # 导入度量模块：模型准确率计算等
from paddle.vision import datasets  # 导入数据集接口

print(paddle.version) # 打印paddle版本号

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

导入Mnist数据集

datasets.MNIST的参数为mode

• mode=‘train’ 为默认值，返回训练集
• mode=‘test’ 返回验证集

train_datasets = datasets.MNIST(mode='train')  # 加载训练数据
test_datasets = datasets.MNIST(mode='test')
1
2

组网

搭建网络

利用线性层进行组网

mnist = nn.Sequential(nn.Flatten(),     # 平铺层，将多维数据展开为一维数据--将[N, ...] 转化为 [N, x]nn.Linear(784, 512),  # 线性层（全连接层）， 将input_size=N*784 -> N*512nn.ReLU(),   # 激活曾（配置激活函数，添加非线性因子）， 将上一层Linear的输出通过Relu激活层nn.Dropout(0.2),  # 丢弃层（dropout防过拟合）， 使用Dropout层进行随机drop(计算输出时，随机将某些值替换为0)nn.Linear(512, 10)  # 将经过dropout层的输出size=512 -> 10 -> 得到输出类别
)
1
2
3
4
5
6
7

查看模型参数

# 查看模型参数--以及命名（字典形式）
for name, value in mnist.named_parameters():  print(name, '->', value)
1
2
3
4

查看模型网络（自动命名）

# 查看模型中的子层--即顺序层中的子层 --包括命名（字典形式）
for name, value in mnist.named_children():   print(name, '->', value.full_name())

# 一定程度上等价于以下代码
#for name, value in mnist.named_sublayers():
# print(name, ‘->’, value.full_name())

• 1
• 2
• 3
• 4
• 5
• 6
• 7

顺序层下的网络展示

利用Model-API进行训练

模型传入

# 利用paddle训练API进行快捷训练
model = paddle.Model(mnist)   # 将创建的网络送入模型API
1
2
3

Model-API参数配置

# 模型API使用前所需传入参数--在训练前需要使用prepare进行训练配置
# 1-> optim（优化方法）
# 2-> loss（损失/目标函数）
# 3-> metric(评价/度量指标)
model.prepare(optimizer.Adam(parameters=mnist.parameters()),  # Adam优化方法nn.CrossEntropyLoss(),    # CE损失metric.Accuracy()   # 准确率
)
1
2
3
4
5
6
7
8
9

fit–训练

fit参数：

• 明确常用fit参数 – 前四个
• train_data：训练数据–必须要有的
• eval_data: 验证数据–如果没有就不验证
• batch_size: 批大小–尽量设，默认为1
• verbose: 训练进度展示模式–0：无；1，每一个轮次展示进度条模式；2：将轮次作为迭代展示对象；
• eval_freq：评估频率–指间隔多少个eval进行一次评估–默认为1
• log_freq：同样的，日志输出频率–默认为10
• save_dir：模型保存路径–默认为None，不保存
• save_freq: 保存频率–同其他频率
• drop_last：最后一批数据如果不足batch_size，那么就舍去，不使用为训练数据
• shuffle: 是否打乱数据
• num_workers：工作线程–多线程加载数据
• save内容简单说明： pdparams–模型的参数–weight等 pdopt–优化器的参数–学习率大小等

model.fit(train_datasets,   # 训练数据集epochs=10,   # 轮次batch_size=24,  # 批大小： 一次训练用多少个数据verbose=1, # 进度展示--0为不展示save_dir='./work/mnist'  # 模型保存路径：包含pdparams与pdopt文件
)
1
2
3
4
5
6
7

模型评估

# 模型评估
# 参数：
# eval_data：验证集
# batch_size：批大小--默认为1
# log_freq：日志频率
# verbose：进度条模型--0为不展示
# num_workers：多线程
model.evaluate(test_datasets, verbose=1)
1
2
3
4
5
6
7
8

加载保存的模型

创建相同的网络模型–用于加载保存的模型参数

# 创建一摸一样的模型
new_model = nn.Sequential(nn.Flatten(),     # 将[N, ...] 转化为 [N, x]nn.Linear(784, 512),  # 将input_size=N*784 -> N*512nn.ReLU(),   # 将上一层Linear的输出通过Relu激活层nn.Dropout(0.2),  # 使用Dropout层进行随机drop(计算输出时，随机将某些值替换为0)nn.Linear(512, 10)  # 将经过dropout层的输出size=512 -> 10
)
1
2
3
4
5
6
7
8

查看当前运算所在环境是否在GPU

paddle.is_compiled_with_cuda()  # 判断当前允许环境--在gpu上返回True
1

加载模型参数

方法一

# 按照paddle.Model.load-API 来加载参数
new_Model = Model(new_model)
new_Model.load('./work/mnist/final')   # 将保存的参数加载到当前的模型中

for value in new_Model.parameters(): # 在ModelAPI下查看模型参数
print(value)

• 1
• 2
• 3
• 4
• 5
• 6

方法二

new_model.load_dict(paddle.load('./work/mnist/final.pdparams'))  # 利用原始paddle通用模型加载API加载模型参数后，再传入ModelAPI
new_Model = Model(new_model)
1
2

Model-API参数配置

new_Model.prepare(
# 利用set_state_dict加载优化器对应的参数--比如学习率等    optimizer.Adam(parameters=new_model.parameters()).set_state_dict(paddle.load('./work/mnist/final.pdopt')), nn.CrossEntropyLoss(),metric.Accuracy()
)
1
2
3
4
5
6

保存模型的评估

new_Model.evaluate(test_datasets, verbose=1)
1

总结

1. paddle2.0rc在整体上变化很大，首先是全面支持动态图，方便某火炬的小伙伴转到paddle进行学习
2. 组网API更加亲近，将相关组网操作都放到了一起–比如Flatten平铺操作与激活函数作为网络层，方便组网时方法的查讯
3. 高级API–Model的使用，方便了一般的训练过程，简化初始模型训练选型的成本（为后期模型选择后优化精度等节约了时间）
4. 这次升级，最最最主要的还是API分类更明显，可用性和可读性有了更好的提升，这次简直杠杠的！！！

以下是API分类图（源于官方文档）