使用PaddlePaddle进行深度学习

为期一周的深度学习训练营结束了，对每一个从头到尾参加了训练营的同学们收获肯定都是很多的。这次我就从以下几个方面总结一下心得和体会。
PaddlePaddle官网地址
百度AIStudio官网网址 现在有送GPU算力卡哦，比在我的小笔记本上跑速度真的快很多！
7日打卡营地址 课程可以长期反复学习的哦，因为是纯干货，如果是小白入门的话，听一遍肯定是不够的。

深度学习的方法

1、 基础不牢，地动山摇。 这是我最大的体会。深度学习并不是传统的C，C++以及其他一些语言的学习，跑通代码基本就知道大概什么意思的，而是一定要先搞懂原理，然后再进入模型代码进行理解，不然直接上代码，会叫你一头雾水，前期准备很重要。

2、必须要python语法和numpy库要很熟练，熟练的标准就是代码要多敲，多练习，python的列表，字典，元组出来一个就要立马能知道数据长什么样子，矩阵是几维的，每一维分别是什么东西等等（否则一些接口都调不起来，因为你不知道接口需要传入的参数长什么样子，返回的数据又要用什么数据去接等等），我是从C++转到Python来学习的，一开始认为应该没多大难度，毕竟C++这把屠龙刀都能耍的动，Python这种脚本语言应该没多大问题，但是看懂了和熟练了中间还是有很大差距。

3、理论和实践相结合。 我一开始先看的是吴恩达的视频，感觉外国人的课程重点都是最后抛出，前面一直给你不断不断的铺垫，我听吴恩达的课程最大的感受就是，他的每一句话我都能理解，听明白，但是视频看完了，我似乎又什么都不知道。（吴恩达的课还是很不错的，很多老师都推荐自己的学生看，我舍友看了一个学期。）后来陆陆续续看了百度的一些深度学习的课程。一下子就深入理解了深度学习中处理问题的流程和重点，我很喜欢做技术的人讲理论，很容易就能听到重点和痛点，最喜欢直接讲代码感觉自己就跟着大神一起在走，平时自己看半天都看不懂的代码，老师讲的过程中就感觉好像没有那么难了。整个学习完成后，理解了最简单的感知机,DNN,CNN,入门了简单地CV，会简单地调试代码。

4、不断的练习 我记得我的C++的老师说过，你的水平的高低在于你在这个领域坚持的长度，而不是看个人有多聪明，坚持比聪明往往要重要很多。在深度学习中，坚持无疑也是很重要的，不断的看一些论文，看一些模型，算参数，加强概率论知识，长期的坚持，能力才能一步一步的提上来。（话说从打卡营开始都今天结束，我整整一周没下楼了，每天虽然在家里，但却跟打仗一样，不得不说训练营里面的学习氛围真的很浓厚，这种氛围下人的进步速度是非常快的。就跟期末考试前一周的复习效率一样—一飞冲天。）

主要学习内容

day1: 新冠疫情可视化
day2: 手势识别
day3: 车牌识别
day4: 口罩分类
day5: 人流检测分类比赛
day6: paddlehub和paddleslim介绍与使用

每日学习总结

day1:新冠疫情可视化

请根据课上所学内容，爬取3月31日当天丁香园公开的统计数据，根据累计确诊数，使用pyecharts绘制疫情分布图，如下图所示，提交截图。Pycharts api可参考：https://pyecharts.org/#/zh-cn/

主要学习使用数据来画图，将数据表示在图上。

import json
import datetime
from pyecharts.charts import Map
from pyecharts import options as opts
from pyecharts.charts import Pie# 读原始数据文件
today = datetime.date.today().strftime('%Y%m%d')   #20200331
datafile = 'data/'+ today + '.json'
with open(datafile, 'r', encoding='UTF-8') as file:json_array = json.loads(file.read())# 分析全国实时确诊数据：'confirmedCount'字段
china_data = []
for province in json_array:china_data.append((province['provinceShortName'], province['confirmedCount']))
china_data = sorted(china_data, key=lambda x: x[1], reverse=True)                 #reverse=True,表示降序，反之升序print(china_data)
# 全国疫情地图
# 自定义的每一段的范围，以及每一段的特别的样式。
pieces = [{'min': 10000, 'color': '#540d0d'},{'max': 9999, 'min': 1000, 'color': '#9c1414'},{'max': 999, 'min': 500, 'color': '#d92727'},{'max': 499, 'min': 100, 'color': '#ed3232'},{'max': 99, 'min': 10, 'color': '#f27777'},{'max': 9, 'min': 1, 'color': '#f7adad'},{'max': 0, 'color': '#f7e4e4'},
]
labels = [data[0] for data in china_data]
counts = [data[1] for data in china_data]m = Pie()
m.add("累计确诊", [list(z) for z in zip(labels, counts)])# 系列配置项,可配置图元样式、文字样式、标签样式、点线样式等
m.set_series_opts(label_opts=opts.LabelOpts(font_size=12),is_show=False)# #全局配置项,可配置标题、动画、坐标轴、图例等
m.set_global_opts(title_opts=opts.TitleOpts(title='全国实时确诊数据',subtitle='数据来源：丁香园'),legend_opts=opts.LegendOpts(is_show=False),visualmap_opts=opts.VisualMapOpts(pieces=pieces,is_piecewise=True,   #是否为分段型is_show=True))       #是否显示视觉映射配置
# #render（）会生成本地 HTML 文件，默认会在当前目录生成 render.html 文件，也可以传入路径参数，如 m.render("mycharts.html")
m.render(path='data/全国实时确诊数据.html')

day2 手势识别（全连接神经网络学习+练习）

1、补全代码并成功运行 2、调参数、优化，提高测试集准备率

最主要的部分是，定义DNN网络模型，每一层神经元的个数的计算以及调优。

# 定义DNN网络
class MyDNN(fluid.dygraph.Layer):def __init__(self,name_scope):super(MyDNN, self).__init__(name_scope)# 定义4层全连接隐含层，输出维度是10，激活函数为sigmoidself.fc1 = Linear(input_dim=30000, output_dim=100, act='sigmoid')  # 隐含层节点为10，可根据任务调整self.fc2 = Linear(input_dim=100, output_dim=100, act='sigmoid')self.fc3 = Linear(input_dim=100, output_dim=100, act='sigmoid')# 定义一层全连接输出层，输出维度是1，不使用激活函数self.fc4 = Linear(input_dim=100, output_dim=10, act='softmax')def forward(self,inputs,label=None):inputs = fluid.layers.reshape(inputs, [inputs.shape[0], 30000])outputs1 = self.fc1(inputs)outputs2 = self.fc2(outputs1)outputs3 = self.fc3(outputs2)y = self.fc4(outputs3)return y

day 3 车牌识别（卷积神经网络学习+练习）

1、补全代码并成功运行 2、调参数、优化，提高测试集准确率

最主要的部分是，定义CNN网络模型，每一层神经元的个数的计算以及调优。

#定义网络
class MyLeNet(fluid.dygraph.Layer):def __init__(self):super(MyLeNet, self).__init__()self.hidden1_1 = Conv2D(1, 28, 5, 1)  # 通道数、卷积核个数、卷积核大小self.hidden1_2 = Pool2D(pool_size=2, pool_type='max', pool_stride=1)self.hidden2_1 = Conv2D(28, 32, 3, 1)self.hidden2_2 = Pool2D(pool_size=2, pool_type='max', pool_stride=1)self.hidden3 = Conv2D(32, 32, 3, 1)self.hidden4 = Linear(32 * 10 * 10, 65, act='softmax')def forward(self, input):# print(input.shape)x = self.hidden1_1(input)# print(x.shape)x = self.hidden1_2(x)# print(x.shape)x = self.hidden2_1(x)# print(x.shape)x = self.hidden2_2(x)# print(x.shape)x = self.hidden3(x)# print(x.shape)x = fluid.layers.reshape(x, shape=[-1, 32 * 10 * 10])y = self.hidden4(x)return y

Day4 口罩识别（VGG模型的使用）

1、代码跑通，请大家根据课上所学内容，在 VGGNet类中补全代码，构造VGG网络，保证程序跑通。在VGG构造成功的基础上，可尝试构造其他网络。
2、调优思考并动手进行调优，以在验证集上的准确率为评价指标，验证集上准确率越高，得分越高！

# VGG网络模型定义class VGGNet(fluid.dygraph.Layer):def __init__(self):super(VGGNet, self).__init__()self.convpool01 = ConvPool(3, 64, 3, 2, 2, 2, act="relu")self.convpool02 = ConvPool(64, 128, 3, 2, 2, 2, act="relu")self.convpool03 = ConvPool(128, 256, 3, 2, 2, 3, act="relu")self.convpool04 = ConvPool(256, 512, 3, 2, 2, 3, act="relu")self.convpool05 = ConvPool(512, 512, 3, 2, 2, 3, act="relu")self.pool_5_shape = 512 * 7 * 7self.fc01 = fluid.dygraph.Linear(self.pool_5_shape, 4096, act="relu")self.fc02 = fluid.dygraph.Linear(4096, 4096, act="relu")self.fc03 = fluid.dygraph.Linear(4096, 2, act="softmax")#  前向计算def forward(self, inputs, label=None):out = self.convpool01(inputs)out = self.convpool02(out)out = self.convpool03(out)out = self.convpool04(out)out = self.convpool05(out)out = fluid.layers.reshape(out, shape=[-1, 512 * 7 * 7])out = self.fc01(out)out = self.fc02(out)out = self.fc03(out)if label is not None:acc = fluid.layers.accuracy(inputs=out, label=label)return out, accelse:return out

Day5 人流密度检测（比赛）

要求参赛者给出一个算法或模型，对于给定的图片，统计图片中的总人数。给定图片数据，选手据此训练模型，为每张测试数据预测出最准确的人数。
基础版本参考 https://aistudio.baidu.com/aistudio/projectdetail/382039（也可以点链接）

调优重点：学习率，训练轮数，丢弃率，换模型等等。

资源使用心得

1、GPU算力卡使用心得：GPU比CPU香太多了。尤其是速度，训练的轮数越多，模型越复杂，这种优势体现的就越明显。但是这次训练营人数实在太多了，GPU资源白天总是抢不上。为了使用GPU，我有一天凌晨4点起来调代码，也是付出了所有…

2、AI studio上开源了很多项目，有的是同学们自己公开的，有的是老师大牛们公开的，但都是可以fork到自己的文件夹中，运行和调试。AI Studio项目传送门 https://aistudio.baidu.com/aistudio/projectoverview/public（也可以点链接）

3、API文档一定要多看，及时看不懂里面的每一个参数的含义，也要知道这个接口主要是做什么的。专业的文档看起来就是很痛苦，但是看一次就有一次的收获，还是要坚持看。
快速上手传送门 https://www.paddlepaddle.org.cn/documentation/docs/zh/beginners_guide/index_cn.html（也可以点链接）

4、安装到本地使用，我自己的习惯是比较喜欢本地编程（很传统的思维），jupyter notebook不是很常用，如果想要把环境安装到本地，可以选择自己本地匹配的环境，然后按照安装教程提示一步一步安装。TIPS：最好不要把 tensorflow caffe paddle 安装在一起，这些库中有些接口的名字是一样的，调用时有时会有歧义。比如没有导入库时，直接调用接口会提示你选一个库，选错就尴尬了。
快速安装教程 https://www.paddlepaddle.org.cn/install/quick（也可以点链接）
添加清华源下载会很快（会很有效的提升速度）：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/
conda config --set show_channel_urls yes

验证安装成功

使用 python3 进入python解释器，输入import paddle.fluid ，再输入 paddle.fluid.install_check.run_check()。
如果出现 Your Paddle Fluid is installed successfully!，说明您已成功安装。

感谢

1、集训营的班主任（恋上蒲公英）和助教小哥哥们真的很NICE,我甚至感觉她们比上课的学员更拼。佩服百度的员工真的很厉害。
2、每天讲实践课的小哥哥和小姐姐们，技术好，超级低调，讲课很清楚，对零基础入门的同学很干货。不讲段子，不推销，唯一的希望就是想让我们在github上点亮一下star，这算什么大事，安排~~
3、最后我真的想对孙高峰老师说一句：我真的是您的粉丝~

后续

1、听说有Python基础营，论文复现营、手把手CV技术营，后面陆续就会推出。
2、如果有想加入助教团队的同学，可以找班主任小姐姐报名。
3、每年都会有3天的线下集训营，到时候会有通知发布，今年保守估计要到下半年了。（我很期待呢~）
4、这里有很多的微信群和QQ群可以加入，里面有很多大神，技术氛围很浓厚，班主任也会在每个群里发布最新的通知，加一个就好了。我在集训期间就在群里和讨论区里发了很多问题，每次都能得到有效的回复，内心真的很满足，很喜欢跟大家在一起的感觉。

深度学习7日入门-CV疫情特辑结营心得-alading相关推荐

深度学习7日入门-CV疫情特辑心得
深度学习7日入门-CV疫情特辑心得学习后感觉的整体感觉:内容安排非常紧凑, 课件内容很准确,作业有针对性,比赛题目比较难. 下面从内容上的回顾一下课程内容: 首先,小白需要自学预习课(不过这部分内容 ...
paddlepaddle测试安装_百度paddlepaddle深度学习7日入门-CV疫情特辑心得
正值疫情严重之日,作为一名研究生被迫待在家里学习,手头的科研项目也严重受挫... 偶然间,看到微信公众号发布这门课,马上报名,入坑!!!瞬间疫情其间有学习的目标了.. 该课程学习依托于百度的AI st ...
PaddlePaddle深度学习7日入门CV篇Summaries
PaddlePaddle深度学习7日入门CV篇|Summaries 文章目录 PaddlePaddle深度学习7日入门CV篇|Summaries 一.什么是PaddleX? 二.为什么要参加训练营三 ...
【视频课】零基础免费38课时深度学习+超60小时CV核心算法+15大Pytorch CV实践案例助你攻略CV...
计算机视觉中大大小小可以包括至少30个以上的方向,在基于深度学习的计算机视觉研究方向中,图像分类,图像分割,目标检测无疑是最基础最底层的任务,掌握好之后可以很快的迁移到其他方向,比如目标识别,目标跟踪 ...
飞桨PaddlePaddle-百度架构师手把手带你零基础实践深度学习——21日学习总结
飞桨PaddlePaddle-百度架构师手把手带你零基础实践深度学习--21日学习总结写在前面的话纯新手小白,第一次接触深度学习方面的应用.感谢飞桨提供的这次学习机会.之前有学习到深度学习的理论方 ...
给深度学习研究生的入门建议（未完待续ing）
诸神缄默不语-个人CSDN博文目录本文将系统性介绍深度学习方向(准)研究生可供参考的入门建议. 我的背景是浙江大学人工智能专业在读硕士,研究方向是GNN.NLP.司法智能. (我的CSDN博文基本涵 ...
深度学习与计算机视觉（CV）介绍
深度学习与计算机视觉(CV)介绍深度学习学习⽬标知道什么是深度学习知道深度学习的应⽤场景什么是深度学习在介绍深度学习之前,我们先看下⼈⼯智能,机器学习和深度学习之间的关系: 机器学习是实现 ...
深度学习-机器学习从入门到深入全套资源分享
深度学习.机器学习从入门到深入,全套资源分享.涉及深度学习.机器学习数学.算法基础理论.实战和工程开发相关最佳资源.深度学习常用模型相关教程,深度学习模型优化.调参相关技巧:深度学习常用的框架,公开数 ...
百度深度学习paddlepaddle7日打卡——Python小白逆袭大神学习心得
百度深度学习paddlepaddle7日打卡--Python小白逆袭大神学习心得 7日学习总结第一天作业第二天作业第三天作业第四天作业第五天作业 7日学习总结通过这7日打卡课程的学习,从小 ...

深度学习7日入门-CV疫情特辑结营心得-alading

深度学习7日入门-CV疫情特辑结营心得