原文鏈接：體驗paddle2.0rc版本API-Model–實現Mnist數據集模型訓練：https://blog.csdn.net/weixin_44604887/article/details/109566281

嘗試Mnist訓練

• 導入需要的包
• 導入Mnist數據集
• 組網
• • 搭建網絡
  • 查看模型參數
  • 查看模型網絡（自動命名）
• 利用Model-API進行訓練
• • 模型傳入
  • Model-API參數配置
  • fit--訓練
  • 模型評估
• 加載保存的模型
• • 創建相同的網絡模型--用于加載保存的模型參數
  • 查看當前運算所在環境是否在GPU
  • 加載模型參數
  • • 方法一
    • 方法二
  • Model-API參數配置
  • 保存模型的評估
• 總結

QQ:3020889729 小蔡

主要內容：

利用paddle.vision.datasets加載paddle自帶的圖像數據集

利用paddle.nn.Sequntial進行順序層網絡組網–快捷組網

利用paddle.Model進行paddle自帶的模型高級API進行一系列簡便的訓練，模型保存以及評估等

利用paddle.Model的load方法，對使用Model下saveAPI保存的模型進行加載

（主體代碼源于官方文檔，僅對部分知識點進行擴展和說明）

導入需要的包

import paddle import paddle.nn as nn # 導入網絡模塊:包含所需要的模塊 from paddle import optimizer # 導入優化器模塊 from paddle import Model # 導入模型高級API，可傳入設計好的網絡模型，進行一系列的fit訓練等操作 from paddle import metric # 導入度量模塊：模型準確率計算等 from paddle.vision import datasets # 導入數據集接口

print(paddle.version) # 打印paddle版本號

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

導入Mnist數據集

datasets.MNIST的參數為mode

• mode=‘train’ 為默認值，返回訓練集
• mode=‘test’ 返回驗證集

train_datasets = datasets.MNIST(mode='train') # 加載訓練數據 test_datasets = datasets.MNIST(mode='test')

• 1
• 2

組網

搭建網絡

利用線性層進行組網

mnist = nn.Sequential(nn.Flatten(), # 平鋪層，將多維數據展開為一維數據--將[N, ...] 轉化為 [N, x]nn.Linear(784, 512), # 線性層（全連接層）， 將input_size=N*784 -> N*512nn.ReLU(), # 激活曾（配置激活函數，添加非線性因子）， 將上一層Linear的輸出通過Relu激活層nn.Dropout(0.2), # 丟棄層（dropout防過擬合）， 使用Dropout層進行隨機drop(計算輸出時，隨機將某些值替換為0)nn.Linear(512, 10) # 將經過dropout層的輸出size=512 -> 10 -> 得到輸出類別 )

• 1
• 2
• 3
• 4
• 5
• 6
• 7

查看模型參數

# 查看模型參數--以及命名（字典形式） for name, value in mnist.named_parameters(): print(name, '->', value)

• 1
• 2
• 3
• 4

查看模型網絡（自動命名）

# 查看模型中的子層--即順序層中的子層 --包括命名（字典形式） for name, value in mnist.named_children(): print(name, '->', value.full_name())

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

• 1
• 2
• 3
• 4
• 5
• 6
• 7

順序層下的網絡展示

利用Model-API進行訓練

模型傳入

# 利用paddle訓練API進行快捷訓練 model = paddle.Model(mnist) # 將創建的網絡送入模型API

• 1
• 2
• 3

Model-API參數配置

# 模型API使用前所需傳入參數--在訓練前需要使用prepare進行訓練配置 # 1-> optim（優化方法） # 2-> loss（損失/目標函數） # 3-> metric(評價/度量指標) model.prepare(optimizer.Adam(parameters=mnist.parameters()), # Adam優化方法nn.CrossEntropyLoss(), # CE損失metric.Accuracy() # 準確率 )

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

fit–訓練

fit參數：

• 明確常用fit參數 – 前四個
• train_data：訓練數據–必須要有的
• eval_data: 驗證數據–如果沒有就不驗證
• batch_size: 批大小–盡量設，默認為1
• verbose: 訓練進度展示模式–0：無；1，每一個輪次展示進度條模式；2：將輪次作為迭代展示對象；
• eval_freq：評估頻率–指間隔多少個eval進行一次評估–默認為1
• log_freq：同樣的，日志輸出頻率–默認為10
• save_dir：模型保存路徑–默認為None，不保存
• save_freq: 保存頻率–同其他頻率
• drop_last：最后一批數據如果不足batch_size，那么就舍去，不使用為訓練數據
• shuffle: 是否打亂數據
• num_workers：工作線程–多線程加載數據
• save內容簡單說明： pdparams–模型的參數–weight等 pdopt–優化器的參數–學習率大小等

model.fit(train_datasets, # 訓練數據集epochs=10, # 輪次batch_size=24, # 批大小： 一次訓練用多少個數據verbose=1, # 進度展示--0為不展示save_dir='./work/mnist' # 模型保存路徑：包含pdparams與pdopt文件 )

• 1
• 2
• 3
• 4
• 5
• 6
• 7

模型評估

# 模型評估 # 參數： # eval_data：驗證集 # batch_size：批大小--默認為1 # log_freq：日志頻率 # verbose：進度條模型--0為不展示 # num_workers：多線程 model.evaluate(test_datasets, verbose=1)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

加載保存的模型

創建相同的網絡模型–用于加載保存的模型參數

# 創建一摸一樣的模型 new_model = nn.Sequential(nn.Flatten(), # 將[N, ...] 轉化為 [N, x]nn.Linear(784, 512), # 將input_size=N*784 -> N*512nn.ReLU(), # 將上一層Linear的輸出通過Relu激活層nn.Dropout(0.2), # 使用Dropout層進行隨機drop(計算輸出時，隨機將某些值替換為0)nn.Linear(512, 10) # 將經過dropout層的輸出size=512 -> 10 )

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

查看當前運算所在環境是否在GPU

paddle.is_compiled_with_cuda() # 判斷當前允許環境--在gpu上返回True

• 1

加載模型參數

方法一

# 按照paddle.Model.load-API 來加載參數 new_Model = Model(new_model) new_Model.load('./work/mnist/final') # 將保存的參數加載到當前的模型中

for value in new_Model.parameters(): # 在ModelAPI下查看模型參數
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通用模型加載API加載模型參數后，再傳入ModelAPI new_Model = Model(new_model)

• 1
• 2

Model-API參數配置

new_Model.prepare( # 利用set_state_dict加載優化器對應的參數--比如學習率等 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

保存模型的評估

new_Model.evaluate(test_datasets, verbose=1)

• 1

總結

paddle2.0rc在整體上變化很大，首先是全面支持動態圖，方便某火炬的小伙伴轉到paddle進行學習

組網API更加親近，將相關組網操作都放到了一起–比如Flatten平鋪操作與激活函數作為網絡層，方便組網時方法的查訊

高級API–Model的使用，方便了一般的訓練過程，簡化初始模型訓練選型的成本（為后期模型選擇后優化精度等節約了時間）

這次升級，最最最主要的還是API分類更明顯，可用性和可讀性有了更好的提升，這次簡直杠杠的！！！

以下是API分類圖（源于官方文檔）

總結

以上是生活随笔為你收集整理的体验paddle2.0rc版本API-Model--实现Mnist数据集模型训练的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。