百度7日開啟營 Python AI學習心得

之前才加了疫情cv的打卡營，大概了解了paddlepaddle是如何構建神經網路、訓練模型、使用模型，但再過程中由於對python不了解**寫起來比較困難。所以，當得知有python基礎的打卡營，就第一時間報名了。

一感觸

到現在一共上了6次課，前3次是python相關的知識，後3節課是基於paddlehub和easydl相關的使用。關於python基礎課程感覺只是入門，還需要自己多看多練。後3次課給我的感觸很深主要有2點：

1. paddlehub 可以將模型運用於工程，降低深度學習模型使用門檻，非常適合不了解深度學習和神經網路構建的人來使用深度學習技術。對我個人而言，可以不用學習複雜的演算法和神經網路的搭建一樣可以是用深度學習技術來解決專案中的問題。

二應用

1. 命令列直接是模型：

$ hub run lac --input_text "現在，慕尼黑再保險公司不僅是此類行動的倡議者，更是將其大量氣候資料整合進保險產品中，並與公眾共享大量天氣資訊，參與到新能源領域的保障中。"

$ hub run senta_bilstm --input_text "今天天氣真好"

]

其他模型的具體的使用可以參見paddle官網：

還有paddlehug的github :

2. paddle作業分享-paddlehub之《青春有你2》作業：五人識別

任務《青春有你2》排名前五的任務識別（5分類任務）

### step1、基礎工作，匯入包
import paddlehub as hub
### step2、載入預訓練模型
module = hub.module(name="resnet_v2_50_imagenet")
### step3、資料準備
from paddlehub.dataset.base_cv_dataset import basecvdataset
class demodataset(basecvdataset): 
def __init__(self): 
# 資料集存放位置
self.dataset_dir = "dataset"
super(demodataset, self).__init__(
base_path=self.dataset_dir,
train_list_file="train_list.txt",
validate_list_file="validate_list.txt",
test_list_file="validate_list.txt",
label_list_file="label_list.txt",
)dataset = demodataset()
### step4、生成資料讀取器
data_reader = hub.reader.imageclassificationreader(
image_width=module.get_expected_image_width(),
image_height=module.get_expected_image_height(),
images_mean=module.get_pretrained_images_mean(),
images_std=module.get_pretrained_images_std(),
dataset=dataset)
### step5、配置策略
config = hub.runconfig(
use_cuda=false, #是否使用gpu訓練，預設為false；
num_epoch=10, #fine-tune的輪數；
checkpoint_dir="cv_finetune_turtorial_demo",#模型checkpoint儲存路徑, 若使用者沒有指定，程式會自動生成；
batch_size=3, #訓練的批大小，如果使用gpu，請根據實際情況調整batch_size；
eval_interval=10, #模型評估的間隔，預設每100個step評估一次驗證集；
strategy=hub.finetune.strategy.defaultfinetunestrategy()) #fine-tune優化策略；
### step6、組建finetune task
input_dict, output_dict, program = module.context(trainable=true)
img = input_dict["image"]
feature_map = output_dict["feature_map"]
feed_list = [img.name]
task = hub.imageclassifiertask(
data_reader=data_reader,
feed_list=feed_list,
feature=feature_map,
num_classes=dataset.num_labels,
config=config)
### step=7、開始finetune
run_states = task.finetune_and_eval()
### step=8、**
import numpy as np
import matplotlib.pyplot as plt 
import matplotlib.image as mpimg
with open("dataset/test_list.txt","r") as f:
filepath = f.readlines()
data = [filepath[0].split(" ")[0],filepath[1].split(" ")[0],filepath[2].split(" ")[0],filepath[3].split(" ")[0],filepath[4].split(" ")[0]]
label_map = dataset.label_dict()
index = 0
run_states = task.predict(data=data)
results = [run_state.run_results for run_state in run_states]
for batch_result in results:
print(batch_result)
batch_result = np.argmax(batch_result, axis=2)[0]
print(batch_result)
for result in batch_result:
index += 1
result = label_map[result]
print("input %i is %s, and the predict result is %s" %
(index, data[index - 1], result))

百度7日開啟營 Python AI學習心得

GNN 百度GNN7日打卡營心得

百度7日強化學習總結

百度強化7日打卡學習心得

百度7日開啟營 Python AI學習心得

GNN 百度GNN7日打卡營心得

百度7日強化學習總結

百度強化7日打卡學習心得

相關推薦