https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/02_paddle2.0_develop/01_quick_start_cn.html

运行环境

PaddlePaddle==2.0.0

DEMO1

#!usr/bin/env python
# -*- coding:utf-8 _*-
"""
@version: 0.0.1
@author: ShenTuZhiGang
@time: 2021/01/30 15:13
@file: paddlepaddle.py
@function:
@last modified by: ShenTuZhiGang
@last modified time: 2021/01/30 15:13
"""
import paddle
from paddle.vision.transforms import ToTensor
# 加载内置数据集
train_dataset = paddle.vision.datasets.MNIST(mode='train', transform=ToTensor())
val_dataset = paddle.vision.datasets.MNIST(mode='test', transform=ToTensor())
# 模型搭建
mnist = paddle.nn.Sequential(paddle.nn.Flatten(),paddle.nn.Linear(784, 512),paddle.nn.ReLU(),paddle.nn.Dropout(0.2),paddle.nn.Linear(512, 10)
)
model = paddle.Model(mnist)# 模型训练相关配置，准备损失计算方法，优化器和精度计算方法
model.prepare(paddle.optimizer.Adam(parameters=model.parameters()),paddle.nn.CrossEntropyLoss(),paddle.metric.Accuracy())# 开始模型训练
model.fit(train_dataset,epochs=5,batch_size=64,verbose=1)
# 模型评估
model.evaluate(val_dataset, verbose=0)

DEMO2

#!usr/bin/env python
# -*- coding:utf-8 _*-
"""
@version: 0.0.1
@author: ShenTuZhiGang
@time: 2021/01/30 15:13
@file: paddlepaddle.py
@function:
@last modified by: ShenTuZhiGang
@last modified time: 2021/01/30 15:13
"""
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
import paddle
from paddle.vision.transforms import ToTensor# 加载内置数据集
train_dataset = paddle.vision.datasets.MNIST(mode='train', transform=ToTensor())
val_dataset = paddle.vision.datasets.MNIST(mode='test', transform=ToTensor())
train_images = train_dataset.images
train_labels = train_dataset.labels
test_images = val_dataset.images
test_labels = val_dataset.labels
class_names = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9']plt.figure(figsize=(10, 10))
for i in range(25):plt.subplot(5, 5, i + 1)plt.xticks([])plt.yticks([])plt.grid(False)plt.imshow(Image.fromarray(np.reshape(train_images[i], newshape=(28, 28))), cmap=plt.cm.binary)plt.xlabel(class_names[train_labels[i][0]])
plt.show()
# 模型搭建
mnist = paddle.nn.Sequential(paddle.nn.Flatten(),paddle.nn.Linear(784, 512),paddle.nn.ReLU(),paddle.nn.Dropout(0.2),paddle.nn.Linear(512, 10)
)
model = paddle.Model(mnist)# 模型训练相关配置，准备损失计算方法，优化器和精度计算方法
model.prepare(paddle.optimizer.Adam(parameters=model.parameters()),paddle.nn.CrossEntropyLoss(),paddle.metric.Accuracy())
# 开始模型训练
model.fit(train_dataset,epochs=5,batch_size=64,verbose=1)
model.summary()
# 模型评估
test = model.evaluate(val_dataset, verbose=0)print('\nTest accuracy:', test)
probability_model = paddle.nn.Sequential(mnist,paddle.nn.Softmax())
predictions = probability_model(paddle.to_tensor(test_images)).numpy()
print(predictions[0])
print(np.argmax(predictions[0]))
print(test_labels[0])def plot_image(i, predictions_array, true_label, img):predictions_array, true_label, img = predictions_array, true_label[i][0], img[i]plt.grid(False)plt.xticks([])plt.yticks([])plt.imshow(Image.fromarray(np.reshape(img, newshape=(28, 28))), cmap=plt.cm.binary)predicted_label = np.argmax(predictions_array)if predicted_label == true_label:color = 'blue'else:color = 'red'plt.xlabel("{} {:2.0f}% ({})".format(class_names[predicted_label],100 * np.max(predictions_array),class_names[true_label]),color=color)def plot_value_array(i, predictions_array, true_label):predictions_array, true_label = predictions_array, true_label[i][0]plt.grid(False)plt.xticks(range(10))plt.yticks([])thisplot = plt.bar(range(10), predictions_array, color="#777777")plt.ylim([0, 1])predicted_label = np.argmax(predictions_array)thisplot[predicted_label].set_color('red')thisplot[true_label].set_color('blue')i = 0
plt.figure(figsize=(6, 3))
plt.subplot(1, 2, 1)
plot_image(i, predictions[i], test_labels, test_images)
plt.subplot(1, 2, 2)
plot_value_array(i, predictions[i], test_labels)
plt.show()i = 12
plt.figure(figsize=(6, 3))
plt.subplot(1, 2, 1)
plot_image(i, predictions[i], test_labels, test_images)
plt.subplot(1, 2, 2)
plot_value_array(i, predictions[i], test_labels)
plt.show()# Plot the first X test images, their predicted labels, and the true labels.
# Color correct predictions in blue and incorrect predictions in red.
num_rows = 5
num_cols = 3
num_images = num_rows * num_cols
plt.figure(figsize=(2 * 2 * num_cols, 2 * num_rows))
for i in range(num_images):plt.subplot(num_rows, 2 * num_cols, 2 * i + 1)plot_image(i, predictions[i], test_labels, test_images)plt.subplot(num_rows, 2 * num_cols, 2 * i + 2)plot_value_array(i, predictions[i], test_labels)
plt.tight_layout()
plt.show()# Grab an image from the test dataset.
img = test_images[1]print(img.shape)# Add the image to a batch where it's the only member.
img = (np.expand_dims(img, 0))print(img.shape)predictions_single = model.predict([img])print(predictions_single)plot_value_array(1, predictions_single[0][0][0], test_labels)
_ = plt.xticks(range(10), class_names, rotation=45)print(np.argmax(predictions_single[0][0]))

参考文章

基本分类：对服装图像进行分类

TensorFlow 教程——手写数字识别

PaddlePaddle——手写数字识别DEMO相关推荐

BP神经网络实现手写数字识别Python实现，带GUI手写画板
BP神经网络实现手写数字识别 BP神经网络模型用tkinter编写用于手写输入的画板程序运行的效果截图在B站看了一个机器学习基础的视频( 链接)后,发现到资料里面有一个用BP神经网络对手写数字进 ...
动手学PaddlePaddle（4）：MNIST（手写数字识别）
本次练习将使用 PaddlePaddle 来实现三种不同的分类器,用于识别手写数字.三种分类器所实现的模型分别为 Softmax 回归.多层感知器.卷积神经网络. 您将学会实现一个基于Softmax ...
使用paddlepaddle进行手写数字识别
导读 MNIST手写数字数据集作为深度学习入门的数据集是我们经常都会使用到的,包含了0~9共10个数字类别的图片,每张图片的大小为28X28,一共包含了60000张训练集图片和10000张测试集图片. ...
Java软件研发工程师转行之深度学习(Deep Learning)进阶：手写数字识别+人脸识别+图像中物体分类+视频分类+图像与文字特征+猫狗分类
本文适合于对机器学习和数据挖掘有所了解,想深入研究深度学习的读者 1.对概率基本概率有所了解 2.具有微积分和线性代数的基本知识 3.有一定的编程基础(Python) Java软件研发工程师转行之深度 ...
深度学习数字仪表盘识别_【深度学习系列】手写数字识别实战
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padd ...
pyTorch入门（六）——实战Android Minist OpenCV手写数字识别（附源码地址）
学更好的别人, 做更好的自己. --<微卡智享> 本文长度为4239字,预计阅读12分钟前言前面几篇文章实现了pyTorch训练模型,然后在Windows平台用C++ OpenCV D ...
用tensorflow.js实现浏览器内的手写数字识别
原文简介 Tensorflow.js是google推出的一个开源的基于JavaScript的机器学习库,相对与基于其他语言的tersorflow库,它的最特别之处就是允许我们直接把模型的训练和数据预 ...
Caffe MNIST 手写数字识别（全面流程）
目录 1.下载MNIST数据集 2.生成MNIST图片训练.验证.测试数据集 3.制作LMDB数据库文件 4.准备LeNet-5网络结构定义模型.prototxt文件 5.准备模型求解配置文件_sol ...
ANN原来如此简单！——用Excel实现的MNIST手写数字识别（之三）
ANN原来如此简单人工神经网络目前仍然是一个火热的话题,许多人都对它充满了兴趣.然而,对于想了解ANN具体是怎么回事的同学来说,往往缺乏一个足够简单可视化的方法去了解神经网络的内部构造.网络上的各种 ...

PaddlePaddle——手写数字识别DEMO

运行环境

DEMO1

DEMO2

参考文章

PaddlePaddle——手写数字识别DEMO相关推荐

最新文章

热门文章