1.打开上篇安装的 jupterhub
2.新建 python3 notebook
输入如下代码
import paddle
import numpy as np
from paddle.vision.transforms import Normalize
transform = Normalize(mean=[127.5], std=[127.5], data_format='CHW')
下载数据集并初始化 DataSet
train_dataset = paddle.vision.datasets.MNIST(mode='train', transform=transform)
test_dataset = paddle.vision.datasets.MNIST(mode='test', transform=transform)
模型组网并初始化网络
lenet = paddle.vision.models.LeNet(num_classes=10)
model = paddle.Model(lenet)
模型训练的配置准备，准备损失函数，优化器和评价指标
model.prepare(paddle.optimizer.Adam(parameters=model.parameters()),
paddle.nn.CrossEntropyLoss(),
paddle.metric.Accuracy())
模型训练
model.fit(train_dataset, epochs=5, batch_size=64, verbose=1)
模型评估
model.evaluate(test_dataset, batch_size=64, verbose=1)
保存模型
model.save('./output/mnist')
加载模型
model.load('output/mnist')
从测试集中取出一张图片
img, label = test_dataset[0]
将图片shape从12828变为1128*28，增加一个batch维度，以匹配模型输入格式要求
img_batch = np.expand_dims(img.astype('float32'), axis=0)
执行推理并打印结果，此处predict_batch返回的是一个list，取出其中数据获得预测结果
out = model.predict_batch(img_batch)[0]
pred_label = out.argmax()
print('true label: {}, pred label: {}'.format(label[0], pred_label))
可视化图片
from matplotlib import pyplot as plt
plt.imshow(img[0])
3.点击运行
4.查看结果，可以正确的识别数字，整个流程和用到的关键 API 如下图所示
