PaddlePaddle系列之三行代码从入门到精通

前言

这将是PaddlePaddle系列教程的开篇，属于非官方教程。既然是非官方，自然会从一个使用者的角度出发，来教大家怎么用，会有哪些坑，以及如何上手并用到实际项目中去。

我之前写过一些关于tensorflow的教程，在我的简书上可以找到，非常简单基础的一个教程，但是备受好评，因为国内实在是很难找到一个系列的关于这些深度学习框架的教程。因此在这里，我来给PaddlePaddle也写一个类似的教程，不复杂，三行代码入门。

三行代码PaddlePaddle从入门到精通

PaddlePaddle是百度大力推出的一个框架，不得不说相比于tensorflow，PaddlePaddle会简单很多，接下来我会细说。同时百度在人工智能方面的功底还是非常深厚，我曾经在腾讯实习，类似于AT这样的公司，甚至没有一个非常成型的框架存在。

既然是三行代码精通PaddlePaddle，那么得安装一下PaddlePaddle。就目前来说，最好的办法是build from source。步骤如下（注意，这里是CPU版本，GPU版本的源码编译过程后续补充，我们先用CPU来熟悉API）：

# clone 最新代码到paddle

git clone https://github.com/PaddlePaddle/Paddle paddle

cd paddle

mkdir build

cd build

cmake ..

make all -j8

sudo make install

# 安装python接口，注意paddlepaddle目前貌似只支持python2，因此在写脚本的时候一定要兼容一下python3

# 这里是mac的情况下，如果是ubuntu /usr/local/opt 应该直接是/opt/

sudo python -m pip install /usr/local/opt/paddle/share/wheels/*.whl

# 或者直接

sudo pip2 install /usr/local/opt/paddle/share/wheels/*.whl

好了，看上去应该算是安装完了。接下来我们用三行代码来测试一下?

PaddlePaddle在python API上0.10有较大的变化，所以直接import一下v2版本的API。如果可以说明PaddlePaddle安装没有问题。这里赞一下百度的技术功底和用户体验，这尼玛要是caffe或者caffe2编译出错概率100%不说，python安装了也不能import，PaddlePaddle一步到位，非常牛逼。

闲话不多说，直接三行代码来熟悉一下PaddlePaddle的API。

三行代码来了

接下来要做的事情是，用PaddlePaddle搭建一个3层MLP网络，跑一个二维的numpy随机数据，来了解一下PaddlePaddle从数据喂入到训练的整个pipeline吧。

首先我们这个教程先给大家展示一个图片分类器，用到的数据集是Stanford Dogs 数据集，下载链接, 大概800M, 同时下载一下annotations，大概21M。下载好了我们用一个paddle_test的文件夹来做这个教程吧。

mkdir paddle_test

cd paddle_test

mkdir data

把所有的images 和 annotations扔到data里面去，解压一下：

paddle_test

└── data

├── annotation.tar

└── images.tar

顺便说一下，这里的annotations是为后面用paddlepaddle做分割做准备，本次分类任务，只需要一个images.tar就可以了，所有图片被放在了该类别的文件夹下面，以后处理其他分类任务时，只需要把不同类别放在文件夹就OK了，甚至不用改代码，非常方便，这比MXNet要有道理很多，多数情况下我们根本不需要海量图片训练，也没有必要搞个什么imrecord的数据格式，MXNet导入图片真心蛋疼，没有Pytorch方便，但是Pytorch得运行速度堪忧。

OK，将images.tar解压，会得到120个文件夹，也就是120个类别，每个类别里面都是一种狗狗图片。比如这张是一只 Beagle：

我们现在要来处理一下这些蠢狗。

开始写三行代码

好了，开始写三行代码了.

def vgg_bn_drop(input_data):

def event_handler(event):

def train():

实际上PaddlePaddle的使用也就是三行代码的事情，首先是网络构建，这里我们构建一个VGG网络，其次是event的处理函数，这个机制是PaddlePaddle独有的，PaddlePaddle把所有的训练过程都包装成了一个trainer，然后调用这个event_handler来处理比如打印loss信息这样的事情。OK，我们一步一步来，先来看一下train的过程把：

def train():

data_dim = 3 * 32 * 32

class_dim = 10

image = paddle.layer.data(

name="image", type=paddle.data_type.dense_vector(data_dim))

net = vgg_bn_drop(image)

out = paddle.layer.fc(input=net,

size=class_dim,

act=paddle.activation.Softmax())

lbl = paddle.layer.data(

name="label", type=paddle.data_type.integer_value(class_dim))

cost = paddle.layer.classification_cost(input=out, label=lbl)

parameters = paddle.parameters.create(cost)

print(parameters.keys())

momentum_optimizer = paddle.optimizer.Momentum(

momentum=0.9,

regularization=paddle.optimizer.L2Regularization(rate=0.0002 * 128),

learning_rate=0.1 / 128.0,

learning_rate_decay_a=0.1,

learning_rate_decay_b=50000 * 100,

learning_rate_schedule='discexp')

# Create trainer

trainer = paddle.trainer.SGD(cost=cost,

parameters=parameters,

update_equation=momentum_optimizer)

reader = paddle.batch(

paddle.reader.shuffle(

paddle.dataset.cifar.train10(), buf_size=50000),

batch_size=128)

feeding = {'image': 0,

'label': 1}

trainer.train(

reader=reader,

num_passes=200,

event_handler=event_handler,

feeding=feeding)

PaddlePaddle的网络训练流程分为几个步骤：

首先定义网络，这里的网络不包括最后一层的softmax；
创建一个cost，cost当然就需要一个网络的输出和lable了；
通过这个cost来创建网络训练的参数，非常简单明了；
最后是优化器，这里定义反向传播的正则项，学习速率调整策略等；
通过上面这些创建一个trainer；
最后这个trainer要训练起来，还需要持续的数据喂入，时间处理函数，和喂入的方式。

接着我们看一下网络定义和事件处理函数：

# define VGG network

def vgg_bn_drop(input_data):

def convolution_block(ipt, num_filter, groups, dropouts, num_channels=None):

return paddle.networks.img_conv_group(

input=ipt,

num_channels=num_channels,

pool_size=2,

pool_stride=2,

conv_num_filter=[num_filter] * groups,

conv_filter_size=3,

conv_act=paddle.activation.Relu(),

conv_with_batchnorm=True,

conv_batchnorm_drop_rate=dropouts,

pool_type=paddle.pooling.Max())

convolution_1 = convolution_block(input_data, 64, 2, [0.3, 0], 3)

convolution_2 = convolution_block(convolution_1, 128, 2, [0.4, 0])

convolution_3 = convolution_block(convolution_2, 256, 3, [0.4, 0.4, 0])

convolution_4 = convolution_block(convolution_3, 512, 3, [0.4, 0.4, 0])

convolution_5 = convolution_block(convolution_4, 512, 3, [0.4, 0.4, 0])

drop = paddle.layer.dropout(input=convolution_5, dropout_rate=0.5)

fc1 = paddle.layer.fc(input=drop, size=512, act=paddle.activation.Linear())

bn = paddle.layer.batch_norm(

input=fc1,

act=paddle.activation.Relu(),

layer_attr=paddle.attr.Extra(drop_rate=0.5))

fc2 = paddle.layer.fc(input=bn, size=512, act=paddle.activation.Linear())

return fc2

def event_handler(event):

if isinstance(event, paddle.event.EndIteration):

if event.batch_id % 100 == 0:

print("\nPass %d, Batch %d, Cost %f, %s" % (

event.pass_id, event.batch_id, event.cost, event.metrics))

else:

sys.stdout.write('.')

sys.stdout.flush()

这里我们先用PaddlePaddle内置的cifar10来测试一下能否训练起来，把上面的代码加上import之后：

from __future__ import print_function, division

import paddle.v2 as paddle

import sys

paddle.init(use_gpu=False, trainer_count=1)

if __name__ == '__main__':

train()

在主函数里面运行train()。见证奇迹的时刻到了。。

PaddlePaddle开始下载数据，并打印出了网络结构！

so far so good，PaddlePaddle开始训练网络！！！

牛逼了我的哥。接下来我们用这个代码来保存网络训练之后的权重：

try:

trainer.train(

reader=reader,

num_passes=200,

event_handler=event_handler,

feeding=feeding)

except KeyboardInterrupt:

with open('params_model.tar', 'w') as f:

parameters.to_tar(f)

最后，模型train好之后，导入模型进行预测：

from __future__ import print_function

from PIL import Image

import numpy as np

import os

def load_image(file):

im = Image.open(file)

im = im.resize((32, 32), Image.ANTIALIAS)

im = np.array(im).astype(np.float32)

# PIL打开图片存储顺序为H(高度)，W(宽度)，C(通道)。

# PaddlePaddle要求数据顺序为CHW，所以需要转换顺序。

im = im.transpose((2, 0, 1)) # CHW

# CIFAR训练图片通道顺序为B(蓝),G(绿),R(红),

# 而PIL打开图片默认通道顺序为RGB,因为需要交换通道。

im = im[(2, 1, 0),:,:] # BGR

im = im.flatten()

im = im / 255.0

return im

test_data = []

cur_dir = os.getcwd()

test_data.append((load_image(cur_dir + '/image/dog.png'),))

# with open('params_pass_50.tar', 'r') as f:

# parameters = paddle.parameters.Parameters.from_tar(f)

probs = paddle.infer(

output_layer=out, parameters=parameters, input=test_data)

lab = np.argsort(-probs) # probs and lab are the results of one batch data

print("Label of image/dog.png is: %d" % lab[0][0])

OK, 本次列车到此结束，对于PaddlePaddle如何训练一个图片分类器，应该有了一个清醒的认识，下一步，我们将继续….用PaddlePaddle实现一个NLP情感分类器！

本文由在当地较为英俊的男子金天大神原创，版权所有，欢迎转载，本文首发地址 https://jinfagang.github.io 。但请保留这段版权信息，多谢合作，有任何疑问欢迎通过微信联系我交流：jintianiloveu