《基于paddlepaddle的mnist手写数字识别的详细分析.doc》由会员分享，可在线阅读，更多相关《基于paddlepaddle的mnist手写数字识别的详细分析.doc（7页珍藏版）》请在三一文库上搜索。
1、基于paddlepaddle的mnist手写数字识别的详细分析上周在搜索关于深度学习分布式运行方式的资料时，无意间搜到了paddlepaddle，发现这个框架的分布式训练方案做的还挺不错的，想跟大家分享一下。不过呢，这块内容太复杂了，所以就简单的介绍一下paddlepaddle的第一个“hello word”程序-mnist手写数字识别。下一次再介绍用PaddlePaddle做分布式训练的方案。其实之前也写过一篇用CNN识别手写数字集的文章，是用keras实现的，这次用了paddlepaddle后，正好可以简单对比一下两个框架的优劣。什么是PaddlePaddle？PaddlePaddle是百
2、度推出的一个深度学习框架，可能大多数人平常用的比较多的一般是tensorflow，caffe，mxnet等，但其实PaddlePaddle也是一个非常不错的框架（据说以前叫Paddle，现在改名叫PaddlePaddle，不知道为啥总觉得有股莫名的萌点）PaddlePaddle能做什么?传统的基本都能做，尤其对NLP的支持很好，譬如情感分析，word embedding，语言模型等，反正你想得到的，常见的都可以用它来试一试PaddlePaddle的安装不得不吐槽一下PaddlePaddle的安装，官网上说“PaddlePaddle目前唯一官方支持的运行的方式是Docker容器”，而docker
3、其实在国内还并不是特别的流行，之前遇到的所有的框架，都有很多种安装方式，非常方便，所以这个唯一支持docker让人觉得非常诡异 = =！不过偶然试了一下，居然可以用pip install，不过为啥官网上没有写呢？所以，对于新手来说，最简单的安装方式就是：CPU版本安装pip install paddlepaddleGPU版本安装pip install paddlepaddle-gpu用PaddlePaddle实现手写数字识别训练步骤传统的方式这次就不展开讲了，为了对比我们还是用CNN来进行训练。PaddlePaddle训练一次模型完整的过程可以如下几个步骤：导入数据-定义网络结构-训练模型-保
4、存模型-测试结果下面，我直接用代码来展示训练的过程（以后代码都会放在github里）：#coding:utf-8 import os from PIL import Image import numpy as np import paddle.v2 as paddle # 设置是否用gpu，0为否，1为是 with_gpu = os.getenv(WITH_GPU, 0) != 1 # 定义网络结构 def convolutional_neural_network_org(img): # 第一层卷积层 conv_pool_1 = paddleworks.simple_img_conv_pool
5、( input=img, filter_size=5, num_filters=20, num_channel=1, pool_size=2, pool_stride=2, act=paddle.activation.Relu() # 第二层卷积层 conv_pool_2 = paddleworks.simple_img_conv_pool( input=conv_pool_1, filter_size=5, num_filters=50, num_channel=20, pool_size=2, pool_stride=2, act=paddle.activation.Relu() # 全连
6、接层 predict = paddle.layer.fc( input=conv_pool_2, size=10, act=paddle.activation.Softmax() return predict def main(): # 初始化定义跑模型的设备 paddle.init(use_gpu=with_gpu, trainer_count=1) # 读取数据 images = paddle.layer.data( name=pixel, type=paddle.data_type.dense_vector(784) label = paddle.layer.data( name=lab
7、el, type=paddle.data_type.integer_value(10) # 调用之前定义的网络结构 predict = convolutional_neural_network_org(images) # 定义损失函数 cost = paddle.layer.classification_cost(input=predict, label=label) # 指定训练相关的参数 parameters = paddle.parameters.create(cost) # 定义训练方法 optimizer = paddle.optimizer.Momentum( learning_r
8、ate=0.1 / 128.0, momentum=0.9, regularization=paddle.optimizer.L2Regularization(rate=0.0005 * 128) # 训练模型 trainer = paddle.trainer.SGD( cost=cost, parameters=parameters, update_equation=optimizer) lists = # 定义event_handler，输出训练过程中的结果 def event_handler(event): if isinstance(event, paddle.event.EndIte
9、ration): if event.batch_id % 100 = 0: print Pass %d, Batch %d, Cost %f, %s % ( event.pass_id, event.batch_id, event.cost, event.metrics) if isinstance(event, paddle.event.EndPass): # 保存参数 with open(params_pass_%d.tar % event.pass_id, w) as f: parameters.to_tar(f) result = trainer.test(reader=paddle.
10、batch( paddle.dataset.mnist.test(), batch_size=128) print Test with Pass %d, Cost %f, %sn % ( event.pass_id, result.cost, result.metrics) lists.append(event.pass_id, result.cost, result.metricsclassification_error_evaluator) trainer.train( reader=paddle.batch( paddle.reader.shuffle(paddle.dataset.mn
11、ist.train(), buf_size=8192), batch_size=128), event_handler=event_handler, num_passes=10) # 找到训练误差最小的一次结果 best = sorted(lists, key=lambda list: float(list1)0 print Best pass is %s, testing Avgcost is %s % (best0, best1) print The classification accuracy is %.2f% % (100 - float(best2) * 100) # 加载数据 d
12、ef load_image(file): im = Image.open(file).convert(L) im = im.resize(28, 28), Image.ANTIALIAS) im = np.array(im).astype(np.float32).flatten() im = im / 255.0 return im # 测试结果 test_data = cur_dir = os.path.dirname(os.path.realpath(_file_) test_data.append(load_image(cur_dir + /image/infer_3.png), ) p
13、robs = paddle.infer( output_layer=predict, parameters=parameters, input=test_data) lab = np.argsort(-probs) # probs and lab are the results of one batch data print Label of image/infer_3.png is: %d % lab00 if _name_ = _main_: main()上面的代码看起来很长，但结构还是很清楚的。下面我们用实际数据测试一下，看一下效果到底怎么样BaseLine版本首先我用了官网给出的例子，
14、直接用最基本的CNN网络结构训练了一下，代码如下:def convolutional_neural_network_org(img):# 第一层卷积层 conv_pool_1 = paddleworks.simple_img_conv_pool( input=img, filter_size=5, num_filters=20, num_channel=1, pool_size=2, pool_stride=2, act=paddle.activation.Relu() # 第二层卷积层 conv_pool_2 = paddleworks.simple_img_conv_pool( input
15、=conv_pool_1, filter_size=5, num_filters=50, num_channel=20, pool_size=2, pool_stride=2, act=paddle.activation.Relu() # 全连接层 predict = paddle.layer.fc( input=conv_pool_2, size=10, act=paddle.activation.Softmax() return predict输出结果如下:I1023 13:45:46.519075 34144 Util.cpp:166 commandline: -use_gpu=True
16、 -trainer_count=1 INFO 2017-10-23 13:45:52,667 layers.py:2539 output for _conv_pool_0_conv: c = 20, h = 24, w = 24, size = 11520 INFO 2017-10-23 13:45:52,667 layers.py:2667 output for _conv_pool_0_pool: c = 20, h = 12, w = 12, size = 2880 INFO 2017-10-23 13:45:52,668 layers.py:2539 output for _conv_
17、pool_1_conv: c = 50, h = 8, w = 8, size = 3200 INFO 2017-10-23 13:45:52,669 layers.py:2667 output for _conv_pool_1_pool: c = 50, h = 4, w = 4, size = 800 I1023 13:45:52.675750 34144 GradientMachine.cpp:85 Initing parameters. I1023 13:45:52.686153 34144 GradientMachine.cpp:92 Init parameters done. Pa
18、ss 0, Batch 0, Cost 3.048408, classification_error_evaluator: 0.890625 Pass 0, Batch 100, Cost 0.188828, classification_error_evaluator: 0.0546875 Pass 0, Batch 200, Cost 0.075183, classification_error_evaluator: 0.015625 Pass 0, Batch 300, Cost 0.070798, classification_error_evaluator: 0.015625 Pas
19、s 0, Batch 400, Cost 0.079673, classification_error_evaluator: 0.046875 Test with Pass 0, Cost 0.074587, classification_error_evaluator: 0.023800000548362732 Pass 4, Batch 0, Cost 0.032454, classification_error_evaluator: 0.015625 Pass 4, Batch 100, Cost 0.021028, classification_error_evaluator: 0.0
20、078125 Pass 4, Batch 200, Cost 0.020458, classification_error_evaluator: 0.0 Pass 4, Batch 300, Cost 0.046728, classification_error_evaluator: 0.015625 Pass 4, Batch 400, Cost 0.030264, classification_error_evaluator: 0.015625 Test with Pass 4, Cost 0.035841, classification_error_evaluator: 0.012099
21、99993443489 Best pass is 4, testing Avgcost is 0.0358410408473 The classification accuracy is 98.79% Label of image/infer_3.png is: 3 real 0m31.565s user 0m20.996s sys 0m15.891s可以看到，第一行输出选择的设备是否是gpu，这里我选择的是gpu，所以等于1，如果是cpu，就是0。接下来四行输出的是网络结构，然后开始输出训练结果，训练结束，我们把这几次迭代中误差最小的结果输出来，98.79%，效果还是很不错的，毕竟只迭代了5
22、次。最后看一下输出时间，非常快，约31秒。然而这个结果我并不是特别满意，因为之前用keras做的时候调整的网络模型训练往后准确率能够达到99.72%，不过速度非常慢，迭代69次大概需要30分钟左右，所以我觉得这个网络结构还是可以改进一下的，所以我对这个网络结构改进了一下，请看改进版改进版def convolutional_neural_network(img): # 第一层卷积层 conv_pool_1 = paddleworks.simple_img_conv_pool( input=img, filter_size=5, num_filters=20, num_channel=1, poo
23、l_size=2, pool_stride=2, act=paddle.activation.Relu() # 加一层dropout层 drop_1 = paddle.layer.dropout(input=conv_pool_1, dropout_rate=0.2) # 第二层卷积层 conv_pool_2 = paddleworks.simple_img_conv_pool( input=drop_1, filter_size=5, num_filters=50, num_channel=20, pool_size=2, pool_stride=2, act=paddle.activati
24、on.Relu() # 加一层dropout层 drop_2 = paddle.layer.dropout(input=conv_pool_2, dropout_rate=0.5) # 全连接层 fc1 = paddle.layer.fc(input=drop_2, size=10, act=paddle.activation.Linear() bn = paddle.layer.batch_norm(input=fc1,act=paddle.activation.Relu(), layer_attr=paddle.attr.Extra(drop_rate=0.2) predict = pad
25、dle.layer.fc(input=bn, size=10, act=paddle.activation.Softmax() return predict在改进版里我们加了一些dropout层来避免过拟合。分别在第一层卷积层和第二层卷积层后加了dropout，阈值设为0.5。改变网络结构也非常简单，直接在定义的网络结构函数里对模型进行修改即可，这一点其实和keras的网络结构定义方式还是挺像的，易用性很高。下面来看看效果：I1023 14:01:51.653827 34244 Util.cpp:166 commandline: -use_gpu=True -trainer_count=1 I
26、NFO 2017-10-23 14:01:57,830 layers.py:2539 output for _conv_pool_0_conv: c = 20, h = 24, w = 24, size = 11520 INFO 2017-10-23 14:01:57,831 layers.py:2667 output for _conv_pool_0_pool: c = 20, h = 12, w = 12, size = 2880 INFO 2017-10-23 14:01:57,832 layers.py:2539 output for _conv_pool_1_conv: c = 50
27、, h = 8, w = 8, size = 3200 INFO 2017-10-23 14:01:57,833 layers.py:2667 output for _conv_pool_1_pool: c = 50, h = 4, w = 4, size = 800 I1023 14:01:57.842871 34244 GradientMachine.cpp:85 Initing parameters. I1023 14:01:57.854014 34244 GradientMachine.cpp:92 Init parameters done. Pass 0, Batch 0, Cost
28、 2.536199, classification_error_evaluator: 0.875 Pass 0, Batch 100, Cost 1.668236, classification_error_evaluator: 0.515625 Pass 0, Batch 200, Cost 1.024846, classification_error_evaluator: 0.375 Pass 0, Batch 300, Cost 1.086315, classification_error_evaluator: 0.46875 Pass 0, Batch 400, Cost 0.7678
29、04, classification_error_evaluator: 0.25 Pass 0, Batch 500, Cost 0.545784, classification_error_evaluator: 0.1875 Pass 0, Batch 600, Cost 0.731662, classification_error_evaluator: 0.328125 Pass 49, Batch 0, Cost 0.415184, classification_error_evaluator: 0.09375 Pass 49, Batch 100, Cost 0.067616, cla
30、ssification_error_evaluator: 0.0 Pass 49, Batch 200, Cost 0.161415, classification_error_evaluator: 0.046875 Pass 49, Batch 300, Cost 0.202667, classification_error_evaluator: 0.046875 Pass 49, Batch 400, Cost 0.336043, classification_error_evaluator: 0.140625 Pass 49, Batch 500, Cost 0.290948, clas
31、sification_error_evaluator: 0.125 Pass 49, Batch 600, Cost 0.223433, classification_error_evaluator: 0.109375 Pass 49, Batch 700, Cost 0.217345, classification_error_evaluator: 0.0625 Pass 49, Batch 800, Cost 0.163140, classification_error_evaluator: 0.046875 Pass 49, Batch 900, Cost 0.203645, class
32、ification_error_evaluator: 0.078125 Test with Pass 49, Cost 0.033639, classification_error_evaluator: 0.008100000210106373 Best pass is 48, testing Avgcost is 0.0313018567383 The classification accuracy is 99.28% Label of image/infer_3.png is: 3 real 5m3.151s user 4m0.052s sys 1m8.084s从上面的数据来看，这个效果还
33、是很不错滴，对比之前用keras训练的效果来看，结果如下：可以看到这个速度差异是很大的了，在准确率差不多的情况下，训练时间几乎比原来缩短了六倍，网络结构也相对简单，说明需要调整的参数也少了很多。总结paddlepaddle用起来还是很方便的，不论是定义网络结构还是训练速度，都值得一提，然而我个人的体验中，认为最值得说的是这几点：1.导入数据方便。这次训练的手写数字识别数据量比较小，但是如果想要添加数据，也非常方便，直接添加到相应目录下。2.event_handler机制，可以自定义训练结果输出内容。之前用的keras，以及mxnet等都是已经封装好的函数，输出信息都是一样的，这里paddlep
34、addle把这个函数并没有完全封装，而是让我们用户自定义输出的内容，可以方便我们减少冗余的信息，增加一些模型训练的细节的输出，也可以用相应的函数画出模型收敛的图片，可视化收敛曲线。3.速度快。上面的例子已经证明了paddlepaddle的速度，并且在提升速度的同时，模型准确度也与最优结果相差不多，这对于我们训练海量数据的模型是一个极大的优势啊！然而，paddlepaddle也有几点让我用的有点难受，譬如文档太少了啊，报错了上网上搜没啥结果啊等等，不过我觉得这个应该不是大问题，以后用的人多了以后肯定相关资料也会更多。所以一直很疑惑，为啥paddlepaddle不火呢？安装诡异是一个吐槽点，但其实还是很优秀的一个开源软件，尤其是最值得说的分布式训练方式，多机多卡的设计是非常优秀的，本篇没有讲，下次讲讲如何用paddlepaddle做单机单卡，单机多卡，多机单卡和多机多卡的训练方式来训练模型，大家多多用起来呀可以多交流呀ps:由于paddlepaddle的文档实在太少了，官网的文章理论介绍的比较多，网上的博文大多数都是几个经典例子来回跑，所以我打算写个系列，跟实战相关的，不再只有深度学习的“hello world”程序，这次用“hello world”做个引子，下篇开始写点干货哈哈