在構(gòu)建好CNN網(wǎng)絡(luò)模型之后，接下來便是通過訓(xùn)練集來對(duì)模型進(jìn)行訓(xùn)練：

下面是這次搭建“”美食分類”深度學(xué)習(xí)代碼中，所用到的訓(xùn)練部分的代碼：

# CNN網(wǎng)絡(luò)組建完畢之后，開始進(jìn)行模型訓(xùn)練print(train_parameters['class_dim']) print(train_parameters['label_dict'])model = CNN() optimizer = paddle.optimizer.Adam(learning_rate = train_parameters['learning_strategy']['lr'],parameters = model.parameters())for epoch_num in range (train_parameters['num_epochs']):for batch_id, data in enumerate(train_reader()):x_data = np.array([item[0] for item in data], dtype='float32').reshape(-1, 3, 64, 64)x_data = paddle.to_tensor(x_data, dtype = 'float32', place=paddle.CUDAPinnedPlace()) # 將numpy.array數(shù)據(jù)轉(zhuǎn)換成tensor張量y_data = np.array([item[1] for item in data], dtype='int64').reshape(-1, 1) # 將元組轉(zhuǎn)換成numpy.arrayy_data = paddle.to_tensor(y_data, dtype = 'int64', place=paddle.CUDAPinnedPlace())#print("y的數(shù)據(jù)類型： ", type(y_data))#print("x_data的數(shù)據(jù)類型：", type(x_data))predicts = model(x_data)#print("預(yù)測(cè)值的數(shù)據(jù)類型： ", type(predicts), "\n", "predicts內(nèi)容： ", predicts)loss = fun.cross_entropy(predicts, y_data)acc = paddle.metric.accuracy(predicts, y_data)loss.backward()if batch_id % 1 == 0:print("epoch: {}, batch_id: {}, loss is: {}, acc is: {}".format(epoch_num, batch_id, loss.numpy(), acc.numpy()))optimizer.step()optimizer.clear_grad()

通過前面設(shè)計(jì)的數(shù)據(jù)讀取器，train_reader來讀取訓(xùn)練集中的數(shù)據(jù)，然后可知data[0]是數(shù)據(jù)，data[1]是訓(xùn)練圖片所對(duì)應(yīng)的標(biāo)簽，但是在讀取出來的數(shù)據(jù)是元組類型，而對(duì)于paddle中對(duì)paddle.nn.Conv2D以及池化層的描述，輸入的數(shù)據(jù)應(yīng)該是tensor，張量，因此在后續(xù)將元組轉(zhuǎn)換成numpy.array之后，采用paddle.to_tensor將numpy.array轉(zhuǎn)換成張量，對(duì)于paddle.to_tensor內(nèi)部的參量，place=paddle.CUDAPinnedPlace()代表將轉(zhuǎn)換后的存放于GPU設(shè)備，我理解就是采用GPU環(huán)境進(jìn)行訓(xùn)練。

這樣網(wǎng)絡(luò)輸出的預(yù)測(cè)值presicts的類型也為tensor張量，閱讀paddle關(guān)于計(jì)算準(zhǔn)確率以及損失函數(shù)的API文檔，是要求輸入的參數(shù)數(shù)據(jù)類型一致：

loss = fun.cross_entropy(predicts, y_data) acc = paddle.metric.accuracy(predicts, y_data)

也就是predicts 以及 y_data的數(shù)據(jù)類型一致，因此我們需要同樣將訓(xùn)練集圖片讀取的標(biāo)簽轉(zhuǎn)換為tensor類型。

總結(jié)

以上是生活随笔為你收集整理的Paddle平台中搭建CNN模型，在训练模型中采用tensor类型的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。