人工智能手写数字识别

训练模型：创建一个dygraph运行的上下文，执行上下文中的代码；需要注意的是使用fluid.dygraph.to_variable()将合适的数据转化为DyGraph接收的数据。

手写数字识别

• 训练网络
  • 训练模型
    • 创建一个dygraph运行的上下文，执行上下文中的代码
    • 创建一个模型DNN，配置优化方法
    • 需要注意的是使用fluid.dygraph.to_variable()将合适的数据转化为DyGraph接收的数据
• 模型预测
  • 图片预处理
    • 首先进行灰度化，RGB转化为灰度图像，L代表灰度图像，像素值在0~255之间
    • 最后再对一维向量进行归一化处理，【-1~1】之间
    • 然后压缩图像大小为28*28,与训练集相同
    • 接着将图像转换成一维向量
  • 开始预测
• 配置网络
  • 定义网络
    • 定义一个三层感知器，感知器的结构是输入层，隐层，隐层，输出层。两个大小为100的影城和一个大小维持了输出成输出层的激活函数是Softmax。
• 数据集
  • MINS数据集
    • 中提供自动加载MINST数据的模块paddle.dataset.mnist
    • 训练集:paddle.dateset.minst.train
    • 测试集:paddle.dateset.minst.test
• 模型评估
  • 观察训练过程中间结果
    • 观察到模型的误差相对较低，而准确率较高，接下来可以使用该模型进行预测
• 任务介绍
  • 深度学习的“Hello World——手写数学识别
  • 手写识别，属于典型的图形多分类问题
  • 实践平台:百度AI实训平台-AI studio
• 训练过程
  • 模型验证
    • 调用fluid.load_dygraph()加载模型参数
    • 调用eval()接口来切换到预测模式
• 准备数据
  • 训练数据集准备
  • 测试数据集准备
  • 导入必要的包
• 模型选择
  • 全连接网络