圖像識別實戰(zhàn)(四)------動態(tài)圖&模型訓(xùn)練

動態(tài)圖

動態(tài)圖對應(yīng)的是命令式編程：

可以不用事先定義神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)龄毡，將神經(jīng)網(wǎng)絡(luò)的定義和執(zhí)行同步進行

與之相反的便是靜態(tài)圖橡淑，靜態(tài)圖和聲明式編程相關(guān)：

需要事先定義好神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，然后再執(zhí)行整個圖結(jié)構(gòu)闷堡。

對比

如果想要實現(xiàn)如下功能。

如果inp1各元素之和小于inp2各元素之和，那么執(zhí)行inp1與 inp2各元素對應(yīng)相加桥爽。
如果inp1各元素之和大于等于inp2各元素之和，那么執(zhí)行inp1與 inp2各元素對應(yīng)相減昧识。

使用動態(tài)圖進行訓(xùn)練

import paddle.fluid asfluid 
import numpy as np  
inp1 = np.random.rand(4, 3, 3)  
inp2 = np.random.rand(4, 3, 3)  
# dynamic graph 
with fluid.dygraph.guard(): 
    if np.sum(inp1) &lt;np.sum(inp2):   
        x =fluid.layers.elementwise_add(inp1, inp2) 
    else:   
        x =fluid.layers.elementwise_sub(inp1, inp2) 
    dygraph_result = x.numpy()

核心代碼只有6行钠四，而如果使用靜態(tài)圖的話便至少需要20行的核心代碼，

優(yōu)勢

動態(tài)圖與靜態(tài)圖的最大區(qū)別是采用了命令式的編程方式跪楞，任務(wù)不用在區(qū)分組網(wǎng)階段和執(zhí)行階段缀去。代碼運行完成之后，可以立馬獲取結(jié)果甸祭。由于采用與我們書寫大部分Python和c++的方式是一致的命令式編程方式缕碎，程序的編寫和調(diào)試會非常的容易。
能夠使用Python的控制流池户，例如for,if else, switch等咏雌，對于rnn等任務(wù)的支持更方便。
動態(tài)圖能夠與numpy更好的交互煞檩。

一句話總結(jié)

思想簡單处嫌，代碼量少！

使用方法


import paddle.fluid as fluid    
import numpy as np   
x = np.ones([10, 2, 2], np.float32) 
    
with fluid.dygraph.guard(): 
     inputs = []    
     seq_len = x.shape[0]   
     for i in range(seq_len):   
        inputs.append(fluid.dygraph.to_variable(x[i]))  
     ret =fluid.layers.sums(inputs) 
     print(ret.numpy())

output

 [[10. 10.] 
   [10. 10.]]

    loss =fluid.layers.reduce_sum(ret)  
    loss.backward() 
    print(loss.gradient())

output

 [1.]

本次項目的實戰(zhàn)代碼：

用動態(tài)圖進行模型訓(xùn)練

use_cuda = True
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
with fluid.dygraph.guard():
    model=MyDNN() 
    model.train() 
    opt=fluid.optimizer.SGDOptimizer(learning_rate=0.005, parameter_list=model.parameters())
    epochs_num=20 #迭代次數(shù)
    
    for pass_num in range(epochs_num):
        
        for batch_id,data in enumerate(train_reader()):
            
            images=np.array([x[0].reshape(3,100,100) for x in data],np.float32)
            
            labels = np.array([x[1] for x in data]).astype('int64')
            labels = labels[:, np.newaxis]
            # print(images.shape)
            image=fluid.dygraph.to_variable(images)
            label=fluid.dygraph.to_variable(labels)
            predict=model(image)#預(yù)測
            # print(predict)
            loss=fluid.layers.cross_entropy(predict,label)
            avg_loss=fluid.layers.mean(loss)#獲取loss值
            
            acc=fluid.layers.accuracy(predict,label)#計算精度
            
            if batch_id!=0 and batch_id%50==0:
                print("train_pass:{},batch_id:{},train_loss:{},train_acc:{}".format(pass_num,batch_id,avg_loss.numpy(),acc.numpy()))
            
            avg_loss.backward()
            opt.minimize(avg_loss)
            model.clear_gradients()
            
    fluid.save_dygraph(model.state_dict(),'MyDNN')#保存模型

如果想了解圖像識別實戰(zhàn)的全過程斟湃，請務(wù)必點擊博主名字熏迹，進入主頁查看全部。
別忘了留下凝赛，你的點贊注暗、評論和關(guān)注偶~

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者