【深度学习】paddlepaddle基础语法

# 1、导入包
import paddle.fluid as fluid
import paddle

# 2、数据预处理
# 调整图片大小等---跟框架本身没有关系

# 3、构造reader---本质：读取数据
# （1）reader---获取一个样本数据
# 返回ndarray类型 或者元组
# def reader():
#     while True:
#         yield numpy.random.uniform(-1,1,size=width*height)  # 理解为返回的数据只有特征值
#         yield numpy.random.uniform(-1,1,size=width*height)，label # 返回一个样本，样本具有特征值与目标值
# (2) batch reader ----返回多个样本
# def reader():
#      while True:
#          yield [(特征,目标),(特征,目标),(特征,目标),(特征,目标)]---特征值为ndarray类型，样本是具有特征值与目标值
#          yield [(特征,),(特征,),(特征,),(特征,)]---特征值为ndarray类型，样本只含有特征值
# （3）reader creator ----返回一个reader函数
# （4）reader decorator：----返回将多个reader函数合并成一个reader函数

# 4、训练场所
# 指定CPU运行
place = fluid.CPUPlace()
# 指定GPU运行
# place= fluid.CUDAPlace(0)

# 5、配置网络结构
# 数据层
# 特征数据层
# name 数据层名称
# shape  数据形状
# dtype 数据类型
# append_batch_size= True，传递的数据是一个批次样本
# append_batch_size= False，传递的数据是一个样本
x = fluid.layers.data(name="x", shape=[1, 28, 28], append_batch_size=True, dtype='float32')
# print(x.shape)
# 目标数据层
y = fluid.layers.data(name="y", shape=[1], append_batch_size=True, dtype="int64")
# print(y.shape)
# 网络层
# 以fc为演示
# input 输入
# size 该层的神经元个数
# act 激活函数
h1 = fluid.layers.fc(input=x, size=128, act="relu", name="h1")
h2 = fluid.layers.fc(input=h1, size=64, act="relu", name="h2")
# 结束--多分类
# 3分类
# 多分类的最后一层 吐出预测值
y_pedict = fluid.layers.fc(input=h2, size=3, act="softmax", name="out_put")

# 损失 --交叉熵损失
# input 预测值
# label 真实值
# 总损失
loss = fluid.layers.cross_entropy(input=y_pedict, label=y)
# print(loss)
# 计算平均损失
avg_loss = fluid.layers.mean(loss)

# 计算准确率----这一批次的准确率
acc = fluid.layers.accuracy(input=y_pedict, label=y)

# 优化损失---sgd
# （1）构建sgd优化算法
sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.1)
# （2）指定优化损失
sgd_optimizer.minimize(avg_loss)

# 6、指定数据层与网络的联系
feeder = fluid.DataFeeder(feed_list=[x, y], place=place)

# 7、构建执行器
exe = fluid.Executor(place=place)

# 8、初始化训练参数
# 显示的初始化网络参数
exe.run(fluid.default_startup_program())

# 9、开启训练
# 双层循环--去训练数据
# 外层---训练的轮数
# 内层---加载数据进行训练