现在在这些强大框架下，都是一套一套的，按步骤往上套就行了，小白接触paddlepaddle的这些天，看到的所有的大的小的项目都能按这步骤往上套。

paddlepaddle大概会成为深度学习方面的spring吧。

获取训练数据

这里的数据直接用了paddle的mnist，也不用去加载文件啊啥啥的了，小白超友好!

飞桨提供了多个封装好的数据集API，涵盖计算机视觉、自然语言处理、推荐系统等多个领域，帮助读者快速完成深度学习任务。这里直接通过paddle.dataset.mnist获取处理好的MNIST训练集、测试集。

import paddle
import paddle.fluid as fluid
import numpy as np

#获取训练数据
train_set=paddle.dataset.mnist.train()
train_reader=paddle.batch(train_set,batch_size=16)
#获取测试数据
test_set=paddle.dataset.mnist.test()
test_reader=paddle.batch(test_set,batch_size=32)

设计模型

import paddle.fluid as fluid
from paddle.fluid.dygraph import FC

class net(fluid.dygraph.Layer):
    def __init__(self,name_scope):
        super(net,self).__init__(name_scope)
        name_scope=self.full_name()
        #隐藏层1，全连接层，输出大小为100，激活函数为relu
        self.hidden1=FC(name_scope,size=100,act='relu')
        #隐藏层2，全连接层，输出大小为100，激活函数为relu
        self.hidden2=FC(name_scope,size=100,act='relu')
        #输出层，全连接层，输出大小为10，对应结果的十个类别，激活函数为softmax
        self.fc=FC(name_scope,size=10,act='softmax')
        
    def forward(self,x):
        x=self.hidden1(x)
        x=self.hidden2(x)
        y=self.fc(x)
        return y

模型训练与保存

迭代次数为2，训练的batch_size为16，测试的batch_size为32，优化器选取SGD，学习率为0.001

with fluid.dygraph.guard():
    model=net('mnist')#模型实例化
    model.train()#训练模式
    opt=fluid.optimizer.SGDOptimizer(learning_rate=0.001)#优化器选用SGD随机梯度下降，学习率为0.001
    epochs_num=2#迭代次数为2
    for pass_num in range(epochs_num):
        for batch_id,data in enumerate(train_reader()):
            images=np.array([x[0].reshape(1, 28, 28) for x in data],np.float32)
            labels=np.array([x[1] for x in data]).astype('int64').reshape(-1,1)
            
            # print(labels)
            image=fluid.dygraph.to_variable(images)
            label=fluid.dygraph.to_variable(labels)
            
            predict=model(image)#预测
            
            loss=fluid.layers.cross_entropy(predict,label)
            avg_loss=fluid.layers.mean(loss)#获取loss值
            
            acc=fluid.layers.accuracy(predict,label)#计算精度
            
            if batch_id!=0 and batch_id%1000==0:
                print("pass:{},batch_id:{},train_loss:{},train_acc:{}".format(pass_num,batch_id,avg_loss.numpy(),acc.numpy()))
            
            avg_loss.backward()
            opt.minimize(avg_loss)
            model.clear_gradients()
   	fluid.save_dygraph(model.state_dict(),'mnist')#保存模型         

预测

加载待预测的图片进行预测

import paddle.fluid as fluid
from PIL import Image
import matplotlib.pyplot as plt
import numpy as np

def load_image(file):
    img=Image.open(file).convert('L')#以灰度图的方式读取待测图片
    img=img.resize((28,28),Image.ANTIALIAS)#调整大小
    img=np.array(img).reshape(1,1,28,28).astype('float32')
    img=img/255*2.0-1.0#归一化
    return img

infer_path_3='data/data1910/infer_3.png'#数字3
infer_path_9='data/data2195/infer_9.jpg'#数字9
#显示待预测的图片
image=Image.open(infer_path_3)
plt.imshow(image)
plt.show()

#构建预测动态图过程
with fluid.dygraph.guard():
    model=net('mnist')#模型实例化
    model_dict,_=fluid.load_dygraph('mnist')
    model.load_dict(model_dict)#加载模型参数
    model.eval()#评估模式
    img=load_image(infer_path_3)
    img=fluid.dygraph.to_variable(img)#将np数组转换为dygraph动态图的variable
    result=model(img)
    print('预测的结果是:{}'.format(np.argmax(result.numpy())))

预测的结果是:3