2 万字全面测评深度学习框架 PaddlePaddle、TensorFlow 和 Keras | 程序员硬核评测

【CSDN 编者按】人工智能想入门深度学习？却苦恼网上的入门教程太零碎，不知道用什么框架好？本文作者用两万字手分别从百度的PaddlePaddle深度学习框架、Google的TensorFlow深度学习框架和快速实现原型的Keras框架，手把手教你学习！

作者 | 张强

责编 | 伍杏玲

今天要给大家分享一个人工智能之深度学习领域的MNIST手写数字识别入门级教程，等等？

这跟那些网上一搜一大把的MNIST入门级教程有什么区别吗?

我想说的是，还真有很大的区别！

首先这是一个针对初学者入门级的训练MNIST模型教程，因为一般我们在网上搜索的教程都是零散的，没有比较整套的代码和说明教程。

我们本篇就将MNIST教程的简单及完整的代码用百度的PaddlePaddle深度学习框架、Google的TensorFlow深度学习框架和快速实现原型的Keras框架编写而成。

特写的优点：

1. 从MNIST原始图像数据到最后使用训练的模型进行识别

2. 三种深度学习框架使用统一的编程方式和流程实现

3. 不仅仅是文字型介绍它们的区别，而是直接通过代码来看

4. 模型训练完，如何去保存模型以及以后的使用

5. 不需要一分钱即可在国内通过打开一个URL地址，就可以训练模型，免费的CPU服务器永久时长，免费的GPU V100 16GB服务器使用

6. 看完本篇，你也不必纠结是使用PaddlePaddle、TensorFlow还是Keras

目录

我们来看下具体的六个步骤，每个步骤都将用三种方式实现：

• 一.运行环境

• 二.下载/加载数据集

• 三.随机预览图像

• 四.创建模型

• 五.训练/保存模型

• 六.测试模型

官网

• PaddlePaddle： http://paddlepaddle.org/ 是一个由百度出品的基于产业实践的开源深度学习框架平台
  

• TensorFlow：https://www.tensorflow.org/ 是一个由Google出品的端到端的开源机器学习框架平台

• Keras：https://keras.io/ 是一个对TensorFlow，CNTK，Theano的高度封装的高级神经网络的API开源框架

今天本篇的教程就是围绕着这三个开源ML/DL Framework来讲的，不管是哪一种框架都可以实现你想要的模型，MNIST就是这样的一个简单的开始。

这三种开源框架都可以创建模型、训练模型、模型推理、上线部署等等一大堆功能。以下的内容每一段都是按照PaddlePaddle代码、TensorFlow代码和Keras代码的顺序而讲。

运行环境

1、PaddlePaddle代码

import numpy as np  
print(np.__version__)  
1.15.4 

import matplotlib  
print(matplotlib.__version__)  
2.2.3 

import paddle 
print(paddle.__version__)  
1.4.0 

PaddlePaddle的安装可以通过：

pip install paddlepaddle

2、TensorFlow代码

import numpy as np 
print(np.__version__) 
1.15.4 

import matplotlib 
print(matplotlib.__version__) 
2.2.3 

import tensorflow as tf 
print(tf.__version__) 
1.13.1 

TensorFlow的安装可以通过：

pip install tensorflow

3、Keras代码

import matplotlib 
print(matplotlib.__version__) 
2.2.3 

import numpy 
print(numpy.__version__) 
1.15.4 

import tensorflow 
print(tensorflow.__version__) 
1.13.1 

import keras 
print(keras.__version__) 
2.2.4 

Keras的安装可以通过：

pip install keras

因为我们用的是TensorFlow后端，所以安装完keras后需要再安装TensorFlow。

下载/加载数据集

1、PaddlePaddle代码

import paddle 
train = paddle.dataset.mnist.train() 
test = paddle.dataset.mnist.test() 

调用这个train()函数就会主动去下载MNIST的训练集图像，test()函数就是下载测试集图像。如果已经下载过了，它就会从硬盘缓存中读取图像数据

通过查看变量train，得知它返回的是一个生成器，数据类型是reader ：

train() 

输出
<generator object reader_creator.<locals>.reader at 0x7f4d70c77e60>

然后再看下训练集和测试集共有多少张图像：

train_imgs = [img for img in train()] 
test_imgs = [img for img in test()] 
print("train_length={}, test_length={}".format(len(train_imgs), len(test_imgs))) 

输出
train_length=60000, test_length=10000

60000张训练集图像，10000张测试集图像。

2、TensorFlow代码

from tensorflow.examples.tutorials.mnist import input_data 

mnist = input_data.read_data_sets("data/data65/", one_hot=True) 

read_data_sets()函数表示去下载数据集或者从指定文件夹下加载数据集，也就是说，MNIST数据集不存在就下载，存在就直接加载。

然后读取训练集、验证集和测试集图像数据 ：

x_train, y_train = mnist.train.images, mnist.train.labels 
x_valid, y_valid = mnist.validation.images, mnist.validation.labels 
x_test, y_test = mnist.test.images, mnist.test.labels 

print("训练集图像大小：{}, 标签大小：{}".format(x_train.shape, y_train.shape)) 
print("验证集图像大小：{}，标签大小：{}".format(x_valid.shape, y_valid.shape)) 
print("测试集图像大小：{}，标签大小：{}".format(x_test.shape, y_test.shape)) 

输出是：

训练集图像大小：(55000, 784), 标签大小：(55000, 10) 
验证集图像大小：(5000, 784)，标签大小：(5000, 10) 
测试集图像大小：(10000, 784)，标签大小：(10000, 10) 

55000张训练集图像，5000张验证集图像，10000张测试集图像。

3、Keras代码

import keras 
from keras.datasets import  mnist 

(X_train, y_train), (X_test, y_test) = mnist.load_data()

load_data()函数就是加载MNIST图像数据集，如果本地缓存不存在数据集，就主动去在线下载；存在的话，就直接加载。

然后查看训练集和测试集图像数据的个数 ：

print("X_train.shape={}, y_train.shape={}".format(X_train.shape, y_train.shape)) 
print("X_test.shape={}, y_test.shape={}".format(X_test.shape, y_test.shape)) 

输出：

X_train.shape=(60000, 28, 28), y_train.shape=(60000,) 
X_test.shape=(10000, 28, 28), y_test.shape=(10000,) 

60000张训练集图像，10000张测试集图像。

4、小结：

通过PaddlePaddle、TensorFlow和Keras加载的MNIST图像数据集基本是6万张训练集和1万张测试集，只有TensorFlow会把6万张的训练集分出去5000张给验证集。

数据集的加载方式都是通过一开始是在线下载，当第二次加载图像时就可以从本地的硬盘缓存中查找图像数据集了。

MNIST图像数据集的官网是：http://yann.lecun.com/exdb/mnist/

它的标准图像张数就是60000张用来训练，和10000张用来测试。

随机预览图像

1、PaddlePaddle代码

首先随机从训练集图像中选择5张图像：

import random 

# 随机从数组中选择5张图像 
random_5_imgs = random.sample(train_imgs, 5) 

# PaddlePaddle读取出来的数据是由一个个元组作为数组元素 
# 每个元组的第一位为图像的向量，第二位是该向量对应的标签 
vector = random_5_imgs[0][0] 
label = random_5_imgs[0][1] 
print("vector.shape={}, label={}".format(vector.shape, label)) 

vectors = [] 
labels = [] 
for vector, label in random_5_imgs: 
    # 将每张图像向量转换成图像矩阵 
    vectors.append(vector.reshape((28,28))) 
    labels.append(label) 

print("第一张图像的.shape是{}".format(vectors[0].shape))

输出：

vector.shape=(784,), label=6 
第一张图像的.shape是(28, 28)

然后使用matplotlib绘图输出：

import matplotlib.pyplot as plt  
%matplotlib inline  
import numpy as np  

# 创建一个10x5大小的绘图对象 
fig = plt.figure(figsize=(10, 5))  
# 遍历5次，因为我们只随机选择了5张图像， 
# 所以这里显示的图像取决于每次随机的图像而变化 
# 每次的图像显示的肯定不一样 
for i in range(5):  
    ax = fig.add_subplot(1, 5, i+1, xticks=[], yticks=[])  
    ax.imshow(np.reshape(vectors[i:i+1], (28, 28)), cmap='gray')  
print("图像对应的标签是{}。".format(labels)) 

输出：

2、TensorFlow代码

我们就从训练集图像中选择5张图像，这里选择的图像索引位置从10到15：

import matplotlib.pyplot as plt  
%matplotlib inline  
import numpy as np  

# 创建一个10x5大小的绘图对象 
fig = plt.figure(figsize=(10, 5))  
# 遍历5次，因为我们只随机选择了5张图像， 
# 所以这里显示的图像取决于每次随机的图像而变化 
# 每次的图像显示的肯定不一样 
for i in range(5):  
    ax = fig.add_subplot(1, 5, i+1, xticks=[], yticks=[])  
    ax.imshow(np.reshape(vectors[i:i+1], (28, 28)), cmap='gray')  
print("图像对应的标签是{}。".format(labels)) 

输出：

3、Keras代码

我们就从训练集图像中选择5张图像，这里选择的图像索引位置从0到4 ：

import matplotlib.pyplot as plt 
%matplotlib inline 
import numpy as np 

fig = plt.figure(figsize=(10, 10)) 
for i in range(5): 
    ax = fig.add_subplot(1, 5, i+1) 
    ax.imshow(np.reshape(X_train[i:i+1], (28, 28)), cmap='gray')

输出：

创建模型

1、PaddlePaddle代码

import paddle.fluid as fluid 
import numpy as np 

# 表示0到9的共10个数字，就是10个类别
num_classes = 10 

# 我们使用CPU来训练模型 
use_cuda = False 
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace() 

# 输入的原始图像数据，大小为28*28*1 
X = fluid.layers.data(name="img", shape=[1, 28, 28], dtype=np.float32) 
# 输入的原始图像数据的标签 
y = fluid.layers.data(name="label", shape=[1], dtype=np.int64) 

# 创建输出层，以softmax为激活函数的全连接层，输出层的大小必须为数字的个数10 
# fc表示全连接层（fully connected layer） 
predict = fluid.layers.fc(input=X, size=num_classes, act="softmax") 

# 使用类交叉熵函数计算predict和y之间的损失函数 
cost = fluid.layers.cross_entropy(input=predict, label=y) 
# 计算平均损失 
avg_loss = fluid.layers.mean(cost) 
# 计算分类准确率 
acc = fluid.layers.accuracy(input=predict, label=y) 

# 告知网络传入的数据分为两部分，第一部分是img值X，第二部分是label值y 
feeder = fluid.DataFeeder(feed_list=[X, y], place=place) 
# 选择Adam优化器，使损失最小化 
optimizer = fluid.optimizer.Adam(learning_rate=0.001).minimize(avg_loss) 

2、TensorFlow代码

# 超参数准备 
img_size = 28 * 28 
num_classes = 10 
learning_rate = 0.1 

# 创建模型 
# x表示输入，创建输入占位符，该占位符会在训练时，会对每次迭代的数据进行填充上 
x = tf.placeholder(tf.float32, [None, img_size]) 

# W表示weight，创建权重，初始化时都是为0，它的大小是(图像的向量大小，图像的总类别) 
W = tf.Variable(tf.zeros([img_size, num_classes])) 

# b表示bias，创建偏移项 
b = tf.Variable(tf.zeros([num_classes])) 

# y表示计算输出结果，softmax表示激活函数是多类别分类的输出 
# 感知器的计算公式就是：(x * W) + b 
y = tf.nn.softmax(tf.matmul(x, W) + b) 

# 定义输出预测占位符y_ 
y_ = tf.placeholder(tf.float32, [None, 10]) 

# 通过激活函数softmax的交叉熵来定义损失函数 
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)) 
# 定义梯度下降优化器 
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) 

# 比较正确的预测结果 
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) 
# 计算预测准确率 
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 

3、Keras代码

因为Keras将MNIST图像数据集加载到内存时是原生的图像数据，没有经过任何预处理，而PaddlePaddle和TensorFlow在加载时就做了处理。
所以这里我们需要将Keras加载的数据做预处理。

分割测试集为一半是验证集，另一半是测试集：

valid_len = int(X_test.shape[0] / 2) 

X_valid = X_test[:valid_len] 
y_valid = y_test[:valid_len] 

X_test = X_test[valid_len:] 
y_test = y_test[valid_len:] 

print("X_train.shape={}, y_train.shape={}".format(X_train.shape, y_train.shape)) 
print("X_valid.shape={}, y_valid.shape={}".format(X_valid.shape, y_valid.shape)) 
print("X_test.shape={}, y_test.shape={}".format(X_test.shape, y_test.shape)) 

输出：

X_train.shape=(60000, 28, 28), y_train.shape=(60000,) 
X_valid.shape=(5000, 28, 28), y_valid.shape=(5000,) 
X_test.shape=(5000, 28, 28), y_test.shape=(5000,) 

图像数据预处理：

import numpy as np 

img_size = 28 * 28 
num_classes = 10 

# 将训练集、验证集和测试集数据进行图像向量转换 
X_train = X_train.reshape(X_train.shape[0], img_size) 
X_valid = X_valid.reshape(X_valid.shape[0], img_size) 
X_test = X_test.reshape(X_test.shape[0], img_size) 

# 将训练集、验证集和测试集数据都转换成float32类型 
X_train = X_train.astype(np.float32) 
X_valid = X_valid.astype(np.float32) 
X_test = X_test.astype(np.float32) 

# 将训练集、验证集和测试集数据都转换成0到1之间的数值，就是归一化处理 
X_train /= 255 
X_valid /= 255 
X_test /= 255 

# 通过to_categorical()函数将训练集标签、验证集标签和测试集标签独热编码（one-hot encoding） 
y_train = keras.utils.to_categorical(y_train, num_classes) 
y_valid = keras.utils.to_categorical(y_valid, num_classes) 
y_test = keras.utils.to_categorical(y_test, num_classes) 

创建Keras的多层感知器模型：

from keras import Sequential 
from keras.layers import Dense, Dropout 

# 创建Sequential模型 
model = Sequential() 

# 创建输入层，有512个深度，必须要传的参数是input_shape，它表示输入的图像的大小 
model.add(Dense(512, activation='relu', input_shape=(img_size,))) 
model.add(Dropout(0.2)) 

# 创建一个隐藏层，也有512个深度 
model.add(Dense(512, activation='relu')) 
model.add(Dropout(0.2)) 

# 添加输出层，因为有10个类别的概率输出，所以使用softmax 
model.add(Dense(num_classes, activation='softmax')) 

# 模型架构预览 
model.summary() 

输出：

Layer (type)                 Output Shape              Param #    
================================================================= 
dense_1 (Dense)              (None, 512)               401920     
_________________________________________________________________ 
dropout_1 (Dropout)          (None, 512)               0          
_________________________________________________________________ 
dense_2 (Dense)              (None, 512)               262656     
_________________________________________________________________ 
dropout_2 (Dropout)          (None, 512)               0          
_________________________________________________________________ 
dense_3 (Dense)              (None, 10)                5130       
================================================================= 
Total params: 669,706 
Trainable params: 669,706 
Non-trainable params: 0 
_________________________________________________________________ 

训练/保存模型

1、PaddlePaddle代码

首先创建执行器、主程序和测试程序：

# 创建执行器 
executor = fluid.Executor(place) 
executor.run(fluid.default_startup_program()) 

# 设置 main_program 和 test_program 
main_program = fluid.default_main_program() 
test_program = fluid.default_main_program().clone(for_test=True)

然后创建一个在训练模型时定期评估模型的函数test_loss_acc()：

def test_loss_acc(test_program, test_reader, test_feeder): 
    """      在训练模型时，计算测试集的损失值和精确度      """ 
    loss_arr = [] 
    accuracy_arr = [] 
    # 开始迭代测试loss和acc 
    for test_data in test_reader(): 
        # 在Paddle中推理计算loss和acc 
        _loss, _acc = executor.run(test_program,  
                                   feed=test_feeder.feed(test_data),  
                                   fetch_list=[avg_loss, acc]) 
        loss_arr.append(float(_loss)) 
        accuracy_arr.append(float(_acc)) 
    # 获得测试数据集上的准确率和损失值的均值 
    loss_mean = np.array(loss_arr).mean() 
    accuracy_mean = np.array(accuracy_arr).mean() 
    return loss_mean, accuracy_mean 

将数据集分成多个batch，根据计算得来。
通过batch返回数据集的总数量除以64的每批次数，所以：

BATCH_SIZE = 64 

train_reader = paddle.batch(paddle.reader.shuffle(train, buf_size=500), batch_size=BATCH_SIZE) 

test_reader = paddle.batch(paddle.reader.shuffle(test, buf_size=500), batch_size=BATCH_SIZE) 

train_reader_length = len([1 for _ in train_reader()]) 
test_reader_length = len([1 for _ in test_reader()]) 
print("train_reader分了{}个batch，test_reader分了{}个batch。".format(train_reader_length, test_reader_length))

输出：

train_reader分了938个batch，test_reader分了157个batch。

训练模型

1. 我们通过5个epoch就可以训练出一个Accuracy还不错的模型；

2. 在训练模型期间，总是保存模型到指定路径，即saved_model_filename变量；

3. 在每训练100个进度的时候，我们打印一次日志显示它的训练效果，训练集和测试的loss和acc；

4. 最后训练完，我们也通过fluid.io.save_inference_mode()函数将模型保存了起来。

epochs = 5 

输出：

Train Epoch 0, step_i 0, loss 3.662783145904541, acc 0.0625 
Valid Epoch 0, step_i 0，loss 0.9381991980751608，acc 0.7200437898089171 
Train Epoch 0, step_i 100, loss 0.4590408504009247, acc 0.890625 
......
Train Epoch 4, step_i 4500, loss 0.350452721118927, acc 0.90625 
Valid Epoch 4, step_i 4500，loss 0.19813986520051577，acc 0.9416799363057324 
Train Epoch 4, step_i 4600, loss 0.1873813271522522, acc 0.9375 
Valid Epoch 4, step_i 4600，loss 0.19667905686529957，acc 0.9430732484076433   

最后一次训练获得了训练集精确度是93.75%，验证集精确度是94.30%，
然后我们看下整个训练过程的loss和acc的绘图。
先获取最佳的loss和acc：

best_predict = sorted(result_arr, key=lambda ele:float(ele[1]))[0] 
print("Valid Loss {}, Acc {:.5f}%.".format(best_predict[1], float(best_predict[2])*100)) 
print("Train Loss {}, Acc {:.5f}%.".format(best_predict[3], float(best_predict[4])*100)) 

输出：

Valid Loss 0.19667905686529957, Acc 94.30732%. 
Train Loss 0.1873813271522522, Acc 93.75000%. 

绘图显示：

import matplotlib.pyplot as plt 
%matplotlib inline 

 # 将训练时记录的loss和acc的数组的每一列都取出来
result_np = np.array(result_arr) 
# 索引为1的就是验证集loss
loss_val = result_np[:,1] 
# 索引为2的就是验证集的acc
accuracy_val = result_np[:,2] 
# 索引为3的就是训练集loss
loss_train = result_np[:,3] 
# 索引为4的就是训练集acc
accuracy_train = result_np[:,4] 

# 绘制训练集和验证集的损失值  
plt.plot(loss_train)  
plt.plot(loss_val)  
plt.title('Model Loss')  
plt.ylabel('Loss')  
plt.xlabel('Epoch')  
plt.legend(['train', 'test'], loc='upper left')  
plt.show()  

# 绘制训练集和验证集的精确度  
plt.plot(accuracy_val)  
plt.plot(accuracy_train)  
plt.title('Model Accuracy')  
plt.ylabel('Accuracy')  
plt.xlabel('Epoch')  
plt.legend(['train', 'test'], loc='upper left')  
plt.show()  

输出：

2、TensorFlow代码

我们使用了100个epoch来训练所有的图像数据集，每个batch分成了128个大小。

跟PaddlePaddle一样，通过两次for循环，外循环是来训练在一次epoch内，所有的MNIST图像都需要训练一遍，然后共训练100次；内循环是来将一个epoch，所有的MNIST图像，根据batch_size大小分成多个批次，来一批次批次的训练。

最后将训练好的模型检查点通过saver.save()函数保存到本地硬盘：

import math 

epochs = 100 
batch_size = 128 
iteration = 0 
# 定义训练时的检查点 
saver = tf.train.Saver() 

valid_feed_dict = { x: x_valid, y_: y_valid  } 
test_feed_dict = { x: x_test, y_: y_test } 
history_train = [] 
history_valid = [] 

# 创建一个TensorFlow的会话 
with tf.Session() as sess: 

    # 初始化全局变量 
    sess.run(tf.global_variables_initializer()) 

    # 根据每批次训练128个样本，计算出一共需要迭代多少次 
    batch_count = int(math.ceil(mnist.train.labels.shape[0] / 128.0)) 

    # 开始迭代训练样本 
    for e in range(epochs): 

        # 每个样本都需要在TensorFlow的会话里进行运算，训练 
        for batch_i in range(batch_count): 

            # 样本的索引，间隔是128个 
            batch_start = batch_i * batch_size 
            # 取出图像样本 
            batch_x = mnist.train.images[batch_start:batch_start+batch_size] 
            # 取出图像对应的标签 
            batch_y = mnist.train.labels[batch_start:batch_start+batch_size] 
            # 训练模型 
            loss, acc, _ = sess.run([cost, accuracy, optimizer], feed_dict={x: batch_x, y_: batch_y}) 

            # 每100个批次时输出一次训练损失等日志信息 
            if batch_i % 100 == 0: 
                print("Epoch: {}/{}".format(e+1, epochs),  
                      "Iteration: {}".format(iteration),  
                      "Train loss: {:.5f}".format(loss), 
                      "Train acc: {:.5f}".format(acc)) 
                history_train.append((iteration, loss, acc)) 

            iteration += 1 

            # 每128个样本时，验证一下训练的效果如何，并输出日志信息 
            if iteration % batch_size == 0: 
                valid_loss, valid_acc = sess.run([cost, accuracy], feed_dict=valid_feed_dict) 
                print("Epoch: {}/{}".format(e, epochs), 
                      "Iteration: {}".format(iteration), 
                      "Valid Loss: {:.5f}".format(valid_loss), 
                      "Valid Acc: {:.5f}".format(valid_acc)) 
                history_valid.append((iteration, valid_loss, valid_acc)) 

    # 保存训练模型的检查点 
    saver.save(sess, "checkpoints/mnist_mlp_tf.ckpt") 

输出：

Epoch: 1/100 Iteration: 0 Train loss: 2.30259 Train acc: 0.11719 
Epoch: 1/100 Iteration: 100 Train loss: 2.08399 Train acc: 0.50781 
Epoch: 0/100 Iteration: 128 Valid Loss: 1.97898 Valid Acc: 0.63220
......
Epoch: 100/100 Iteration: 42870 Train loss: 1.50794 Train acc: 0.96875 
Epoch: 99/100 Iteration: 42880 Valid Loss: 1.54402 Valid Acc: 0.92800 
Epoch: 100/100 Iteration: 42970 Train loss: 1.57890 Train acc: 0.89062

最后一次训练获得了训练集精确度是89.06%，验证集精确度是92.80%。然后我们将训练时记录的loss和acc绘图出来 ：

import matplotlib.pyplot as plt 
%matplotlib inline 
import numpy as np 

# 绘制训练集和验证集的损失值   
plt.plot(np.array(history_train)[:,1])   
plt.plot(np.array(history_valid)[:,1])   
plt.title('Model Loss')   
plt.ylabel('Loss')   
plt.xlabel('Epoch')   
plt.legend(['train', 'test'], loc='upper left')   
plt.show()   

# 绘制训练集和验证集的精确度   
plt.plot(np.array(history_train)[:,2])   
plt.plot(np.array(history_valid)[:,2])    
plt.title('Model Accuracy')   
plt.ylabel('Accuracy')   
plt.xlabel('Epoch')   
plt.legend(['train', 'test'], loc='upper left')   
plt.show()

输出：

3、Keras代码

先编译模型，编译模型时，指定优化器、损失函数和度量方式的参数 ：

from keras.optimizers import RMSprop 
model.compile(loss='categorical_crossentropy', optimizer=RMSprop(), metrics=['accuracy']) 

然后训练模型：

epochs = 20 
batch_size = 128 

history = model.fit(X_train, y_train, epochs=epochs, batch_size=batch_size, verbose=1, validation_data=(X_valid, y_valid)) 

输出：

Train on 60000 samples, validate on 5000 samples 
Epoch 1/20 
60000/60000 [==============================] - 9s 150us/step - loss: 0.2438 - acc: 0.9242 - val_loss: 0.1313 - val_acc: 0.9592 
Epoch 2/20 
60000/60000 [==============================] - 9s 146us/step - loss: 0.1012 - acc: 0.9691 - val_loss: 0.1032 - val_acc: 0.9692 
Epoch 3/20 
......
60000/60000 [==============================] - 9s 146us/step - loss: 0.0190 - acc: 0.9948 - val_loss: 0.1506 - val_acc: 0.9756 
Epoch 19/20 
60000/60000 [==============================] - 9s 145us/step - loss: 0.0174 - acc: 0.9953 - val_loss: 0.1456 - val_acc: 0.9776 
Epoch 20/20 
60000/60000 [==============================] - 9s 152us/step - loss: 0.0182 - acc: 0.9955 - val_loss: 0.1736 - val_acc: 0.9758 

最后一次训练获得了训练集精确度是99.55%，验证集精确度是97.58%。然后我们将训练时记录的loss和acc绘图出来：

import matplotlib.pyplot as plt 
%matplotlib inline 

# 绘制训练集和验证集的精确度 
plt.plot(history.history['acc']) 
plt.plot(history.history['val_acc']) 
plt.title('Model Accuracy') 
plt.ylabel('Accuracy') 
plt.xlabel('Epoch') 
plt.legend(['train', 'test'], loc='upper left') 
plt.show() 

# 绘制训练集和验证集的损失值 
plt.plot(history.history['loss']) 
plt.plot(history.history['val_loss']) 
plt.title('Model Loss') 
plt.ylabel('Loss') 
plt.xlabel('Epoch') 
plt.legend(['train', 'test'], loc='upper left') 
plt.show()  

输出：

测试模型

1、PaddlePaddle代码

比如我们选择一张图像，看看它是几？

import matplotlib.pyplot as plt  
import matplotlib.image as mpimg  

img_matrix = next(train())[0].reshape(28, 28)  
img_label = next(train())[1] 

imgplot = plt.imshow(img_matrix, cmap="gray")  
plt.show()  
print("这张图像的标签是{}。".format(img_label)) 

输出：

然后推理这张图像是多少。首先创建执行器，然后把上面训练的模型文件加载进来，再通过run()函数来推理计算识别到的概率。

最后推理出来的概率是标签5，跟真实的标签一致，这就完全正确！

# 创建执行器 
test_executor = fluid.Executor(place) 
test_executor.run(fluid.default_startup_program()) 

inference_scope = fluid.core.Scope() 
with fluid.scope_guard(inference_scope): 
    # 加载模型 
    [inference_program, feed_target_names, fetch_targets] = \ 
    fluid.io.load_inference_model(saved_model_filename, test_executor, None, None) 

    # 运行推理图像 
    results = test_executor.run(inference_program,  
                                feed={feed_target_names[0]: img_matrix.reshape(1,1,28,28)},  
                                fetch_list=fetch_targets) 
    # 预测的标签 
    predicted_label = np.argmax(results[0][0]) 
    # 预测概率 
    predicted_prob = max(results[0][0]) 
    print("Accuracy = {}, Label = {}".format(predicted_prob, predicted_label))
输出
Accuracy = 0.9278314113616943, Label = 5 

2、TensorFlow代码

假设我们就读取测试集中索引为21的图像，看看它是几？

import matplotlib.pyplot as plt  
import matplotlib.image as mpimg  

target_label_index = 21   
index_21_img = x_test[target_label_index].reshape(28, 28)  
imgplot = plt.imshow(index_21_img, cmap="gray")  
plt.show() 

输出：

它对应的标签是多少了？

target_label_arr = y_test[target_label_index]  
target_label = np.argmax(target_label_arr)  
print("索引为21的图像是数字{}。".format(target_label)) 

输出：索引为21的图像是数字6。

然后推理计算，将模型检查点文件加载进来，构建计算图，然后从模型架构中所有的operation中查找最后的分类器，因为我们的模型最后一层是softmax激活函数，所以我们通过graph.get_operations()函数遍历出来，找到Softmax那一层，将它读取出来，就是我们要放到run()函数的第一个参数，即classifier。

最后得到的预测是数字6，完全正确！

checkpoint_file = tf.train.latest_checkpoint("checkpoints") 
graph = tf.get_default_graph() 

with graph.as_default(): 
   sess = tf.Session() 
   with sess.as_default(): 
        saver = tf.train.import_meta_graph("{}.meta".format(checkpoint_file)) 
        saver.restore(sess,checkpoint_file) 

        # for op in graph.get_operations(): 
        #       print(op.name) 

        softmax_classifer = graph.get_operation_by_name("Softmax").outputs[0] 

        index_10_img_to_predict = x_test[target_label_index].reshape((1, 784))  
        predicted_result = sess.run([softmax_classifer], feed_dict={x: index_10_img_to_predict}) 
        print(predicted_result) 
        print("预测的数字是{}。".format(np.argmax(predicted_result))) 
输出
INFO:tensorflow:Restoring parameters from checkpoints/mnist_mlp_tf.ckpt 
[array([[1.6478752e-07, 1.8716774e-10, 1.4367420e-05, 7.6656121e-08,          7.3713923e-06, 2.4220503e-04, 9.9968493e-01, 6.0247163e-13,          5.0681083e-05, 1.7343659e-07]], dtype=float32)] 

预测的数字是6。

3、Keras代码

假设我们就读取测试集中索引为10的图像，看看它是几？

import matplotlib.pyplot as plt 
import matplotlib.image as mpimg 

index_10_img = X_test[10].reshape(28, 28) 
imgplot = plt.imshow(index_10_img, cmap="gray") 
plt.show() 

输出：

然后看下这张图像的真实标签是多少：

target_label_arr = y_test[10] 
target_label = np.argmax(target_label_arr) 
print("索引为10的图像是数字{}。".format(target_label)) 

输出：

索引为10的图像是数字6。

最后使用Keras来的模型predict()函数来计算概率，跟真实的标签是一致的，模型预测的完全正确！

index_10_img_to_predict = X_test[10].reshape((1, 784)) 
predictions = model.predict(index_10_img_to_predict) 
print("预测的结果是{}。".format(np.argmax(predictions[0]))) 

输出：

预测的结果是6。

总结

一开始我们通过PaddlePaddle、TensorFlow和Keras各自的API读取MNIST数据集，然后又各自预览了5张随机图像，然后就创建神经网络模型，PaddlePaddle和TensorFlow都是一层神经网络模型，而Keras是三层神经网络模型。

然后我们通过各自的API来训练模型，PaddlePaddle和TensorFlow都是能高度自定义模型的，所以代码略微多；而Keras训练模型就比较简单，通过一个fit()函数就能完成。

接着，对于三种模型，我们在训练时记录了它们的loss和acc，所以就绘图展示了各自的训练表现。

最后，我们将各自训练的模型都通过任意选择一张图片来识别它是数字几，概率是多少？

关于本篇的三个代码文件，可以去百度AI Studio上上手操作，地址是：

https://aistudio.baidu.com/aistudio/#/education/teacher/dashboard

登录后，进入这个2019年的班级，在线训练模型，显示的有效期时间是5月份，其实这个是平台的限制，我会将这个时间调整始终有效，它快到时间了我们再次增加/调整时间。

作者简介： 张强，CSDN博客专家，现任特拉字节（北京）科技有限公司创始人兼CTO，曾任职奇虎360企业安全集团蓝信团队高级研发工程师，知乎主前端高级研发工程师，多家国内一线互联网知名企业任职研发部门。

【END】

作为码一代，想教码二代却无从下手：

听说少儿编程很火，可它有哪些好处呢？

孩子多大开始学习比较好呢？又该如何学习呢？

最新的编程教育政策又有哪些呢？

下面给大家介绍CSDN新成员： 极客宝宝（ID： geek_baby）

戳他了解更多↓↓↓

 热 文推 荐 

☞  华为员工年薪 200 万！真相让人心酸！

☞ 开了个会：破局企业云通信，华为加速 Buff 开发者！

☞  移动互联网这十年

☞ 调查 10,000 名学生开发者：65% 自学成才，学 6 门编程语言！

☞ @程序员，不加班就滚吧 | 程序员有话说

☞ 独家! 币安被盗原因找到了! 7074枚比特币竟是这样丢掉的

☞ 用对方法，开发与部署深度学习原来如此简单……

☞ 什么叫云原生应用？| 技术头条

☞ 补偿100万？Oracle裁900+程序员，新方案已出！

你点的每个“在看”，我都认真当成了喜欢