def get_trainer(self):
# 获取分类器
out = convolutional_neural_network()
# 定义标签
label = paddle.layer.data(name="label",
type=paddle.data_type.integer_value(10))
# 获取损失函数
cost = paddle.layer.classification_cost(input=out, label=label)
# 获取参数
parameters = paddle.parameters.create(layers=cost)
"""
定义优化方法
learning_rate 迭代的速度
momentum 跟前面动量优化的比例
regularzation 正则化,防止过拟合
:leng re
"""
optimizer = paddle.optimizer.Momentum(learning_rate=0.1 / 128.0,
momentum=0.9,
regularization=paddle.optimizer.L2Regularization(rate=0.0005 * 128))
'''
创建训练器
cost 分类器
parameters 训练参数,可以通过创建,也可以使用之前训练好的参数
update_equation 优化方法
'''
trainer = paddle.trainer.SGD(cost=cost,
parameters=parameters,
update_equation=optimizer)
return trainer
def worker():
# 初始化PaddlePaddle
paddle.init(use_gpu=False, trainer_count=2)
# 加载模型参数和预测的拓扑生成一个预测器
with open('../models/param.tar', 'r') as param_f:
params = paddle.parameters.Parameters.from_tar(param_f)
# 获取分类器
out = convolutional_neural_network()
while True:
# 获取数据和子队列
data, recv_queue = sendQ.get()
try:
# 获取预测结果
result = paddle.infer(output_layer=out,
parameters=params,
input=data)
# 处理预测结果
lab = np.argsort(-result)
print lab
# 返回概率最大的值和其对应的概率值
result = '{"result":%d,"possibility":%f}' % (lab[0][0], result[0][
(lab[0][0])])
print result
recv_queue.put((True, result))
except:
# 通过子队列发送异常信息
trace = traceback.format_exc()
print trace
recv_queue.put((False, trace))
continue
im = im.resize((28, 28), Image.ANTIALIAS)
im = np.array(im).astype(np.float32).flatten()
im = im / 255.0
return im
test_data = []
test_data.append((load_images(path), ))
return test_data
# *****************使用训练好的参数进行预测********************************
def to_prediction(self, out, parameters, test_data):
# 开始预测
probs = paddle.infer(output_layer=out,
parameters=parameters,
input=test_data)
# 处理预测结果并打印
lab = np.argsort(-probs)
print "预测结果为: %d" % lab[0][0]
if __name__ == "__main__":
testMNIST = TestMNIST()
# 开始预测
out = convolutional_neural_network()
parameters = testMNIST.get_parameters()
test_data = testMNIST.get_TestData('../images/infer_3.png')
testMNIST.to_prediction(out=out,
parameters=parameters,
test_data=test_data)