用PaddlePaddle搭建VGG16模型，使用CIFAR数据集。并对训练好的模型进行保存、调用、预测实际的图片的类别。
（一）VGG模型是AlexNet模型之后一个非常有名的模型。该模型进一步加宽、加深了网络结构，它的核心是5组卷积操作，每两组之间用最大值池化（Max-Pooling）降维。同一组内采用多次连续的3x3卷积，而同一组内卷积的卷积核数目一样，所以卷积层有11、13、16、19层几种模型：
CIFAR-10数据集包含10个类别数量的图片数据集，图像为32pxX32px正方形彩色图，但比ImageNet数据集中的图像小很多，所以需要对CIFAR-10图片做一定的处理，卷积部分引入了BN层、随机丢弃(Dropout)操作，具体作用：
（二）VGG16模型搭建：
# 模型训练与保存
import os
import shutil
import paddle
paddle.enable_static()
import paddle.dataset.cifar as cifar
import paddle.fluid as fluid
# 定义VGG16神经网络
def vgg16(input, class_dim=10):
def conv_block(conv, num_filter, groups):
for i in range(groups):
conv = fluid.layers.conv2d(input=conv,
num_filters=num_filter,
filter_size=3,
stride=1,
padding=1,
act='relu')
return fluid.layers.pool2d(input=conv, pool_size=2, pool_type='max', pool_stride=2)
conv1 = conv_block(input, 64, 2) # 循环2次卷积
conv2 = conv_block(conv1, 128, 2) # 循环2次卷积
conv3 = conv_block(conv2, 256, 3) # 循环3次卷积
conv4 = conv_block(conv3, 512, 3) # 循环3次卷积
conv5 = conv_block(conv4, 512, 3) # 循环3次卷积
# 针对VGG模型缺点，创建BN层和随机丢弃（Dropout）操作，随机丢弃一些神经元，使网络模型稀疏，抑制梯度弥散，起到正则化效果防止过拟合
fc1 = fluid.layers.fc(input=conv5, size=512) # 全连接层
dp1 = fluid.layers.dropout(x=fc1, dropout_prob=0.5)
fc2 = fluid.layers.fc(input=dp1, size=512)
bn1 = fluid.layers.batch_norm(input=fc2, act='relu')
fc2 = fluid.layers.dropout(x=bn1, dropout_prob=0.5)
out = fluid.layers.fc(input=fc2, size=class_dim, act='softmax')
return out
（三）定义输入层CIFAR数据特点、获取损失函数、复制测试程序、优化器优化、获取CIFAR数据、定义CPU执行器、定义喂入模型的数据导向feeder、训练模型、测试、创建路径保存模型。代码如下：
# 模型训练与保存
import os
import shutil
import paddle
paddle.enable_static()
import paddle.dataset.cifar as cifar
import paddle.fluid as fluid
# 定义VGG16神经网络
def vgg16(input, class_dim=10):
def conv_block(conv, num_filter, groups):
for i in range(groups):
conv = fluid.layers.conv2d(input=conv,
num_filters=num_filter,
filter_size=3,
stride=1,
padding=1,
act='relu')
return fluid.layers.pool2d(input=conv, pool_size=2, pool_type='max', pool_stride=2)
conv1 = conv_block(input, 64, 2) # 循环2次卷积
conv2 = conv_block(conv1, 128, 2) # 循环2次卷积
conv3 = conv_block(conv2, 256, 3) # 循环3次卷积
conv4 = conv_block(conv3, 512, 3) # 循环3次卷积
conv5 = conv_block(conv4, 512, 3) # 循环3次卷积
# 针对VGG模型缺点，创建BN层和随机丢弃（Dropout）操作，随机丢弃一些神经元，使网络模型稀疏，抑制梯度弥散，起到正则化效果防止过拟合
fc1 = fluid.layers.fc(input=conv5, size=512) # 全连接层
dp1 = fluid.layers.dropout(x=fc1, dropout_prob=0.5)
fc2 = fluid.layers.fc(input=dp1, size=512)
bn1 = fluid.layers.batch_norm(input=fc2, act='relu')
fc2 = fluid.layers.dropout(x=bn1, dropout_prob=0.5)
out = fluid.layers.fc(input=fc2, size=class_dim, act='softmax')
return out
# 定义输出层CIFAR数据集图片是32pxX32px的3通道彩色图。包括飞机、汽车等10个类别的60000张图片，每个类别6000张
# 定义输出层
image = fluid.data(name='image', shape=[None, 3, 32, 32], dtype='float32')
label = fluid.data(name='label', shape=[None, 1], dtype='int64')
# 获取分类器（）指定分类大小为10
model = vgg16(image, 10)
# 获取损失函数和准确率函数
cost = fluid.layers.cross_entropy(input=model, label=label)
avg_cost = fluid.layers.mean(cost)
acc = fluid.layers.accuracy(input=model, label=label, k=1)
# 获取训练和测试程序
test_program = fluid.default_main_program().clone(for_test=True)
# 定义优化方法
optimizer = fluid.optimizer.MomentumOptimizer(learning_rate=1e-3,
momentum=0.9)
opts = optimizer.minimize(avg_cost)
# 获取CIFAR数据
train_reader = paddle.batch(cifar.train10(), batch_size=32)
test_reader = paddle.batch(cifar.test10(), batch_size=32)
# 定义一个使用CPU的执行器
# place = fluid.CUDAPlace(0)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
# 进行参数初始化
exe.run(fluid.default_startup_program())
# 定义feeder输入数据
feeder = fluid.DataFeeder(place=place, feed_list=[image, label])
# 开始训练和测试（循环训练一次，可训练多次）
for pass_id in range(1):
# 进行训练
for batch_id, data in enumerate(train_reader()):
train_cost, train_acc = exe.run(program=fluid.default_main_program(),
feed=feeder.feed(data),
fetch_list=[avg_cost, acc])
# 每100个batch打印一次信息
if batch_id % 100 == 0:
print('Pass:%d, Batch:%d, Cost:%0.5f, Accuracy:%0.5f' %
(pass_id, batch_id, train_cost[0], train_acc[0]))
# 进行测试
test_accs = []
test_costs = []
for batch_id, data in enumerate(test_reader()):
test_cost, test_acc = exe.run(program=test_program,
feed=feeder.feed(data),
fetch_list=[avg_cost, acc])
test_accs.append(test_acc[0])
test_costs.append(test_cost[0])
# 求测试结果的平均值
test_cost = (sum(test_costs) / len(test_costs))
test_acc = (sum(test_accs) / len(test_accs))
print('Test:%d, Cost:%0.5f, Accuracy:%0.5f' % (pass_id, test_cost, test_acc))
# 保存预测模型
save_path = 'model\\persistable_model_01'
# 删除旧的模型文件
shutil.rmtree(save_path, ignore_errors=True)
# 创建保持模型文件目录
os.makedirs(save_path)
# 保存预测模型
fluid.io.save_inference_model(dirname=save_path,
feeded_var_names=[image.name],
target_vars=[model],
executor=exe)
运行结果：
模型也顺利生成：
（四）调用上面训练得到模型，并使用该模型进行对一张汽车照片进行预测：
# 调用上面训练得到模型，并使用
import paddle.fluid as fluid
from PIL import Image
import numpy as np
import paddle
paddle.enable_static()
# 创建执行器
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
# 保存预测模型路径
save_path = 'model\\persistable_model_01'
# 从模型中获取预测程序（infer_program）、输入数据名称列表（feeded_var_names）、分类器（target_var）
[infer_program,
feeded_var_names,
target_var] = fluid.io.load_inference_model(dirname=save_path,
executor=exe)
# 预处理图片
def load_image(file):
im = Image.open(file) # 打开图片
im = im.convert("RGB") # 如图片是4通道，运行报错，需将图片（4通道，多出是Alpha通道）转换成3通道图片
im = im.resize((32, 32), Image.ANTIALIAS) # 缩放尺寸，ANTIALIAS：高剂质量
im = np.array(im).astype(np.float32)
# PIL打开图片存储顺序为H(高度)，W(宽度)，C(通道)。
# PaddlePaddle要求数据顺序为CHW，所以需要转换顺序。
im = im.transpose((2, 0, 1)) #转换成通道、高度、宽度
im = im / 255.0 #
im = np.expand_dims(im, axis=0) # 相应的axis=0轴上扩展维度
return im
#获取需要预测的图片
img = load_image('F:\\PyQt_Serial_Assistant_Drive_Detect\\Friuts_Classify\\car.png')
# 执行预测
result = exe.run(program=infer_program,
feed={
feeded_var_names[0]: img},
fetch_list=target_var)
# 显示图片并输出结果最大的label
# np.argsort函数功能：将result中的元素从小到大排列，[-1]即提取最大的值。
lab = np.argsort(result)[0][0][-1]
names = ['飞机', '汽车', '鸟', '猫', '鹿',
'狗', '青蛙', '马', '船', '卡车']
print('预测结果标签为：%d， 名称为：%s， 概率为：%f' % (lab, names[lab], result[0][0][lab]))
需要预测的图片：
成功进行预测：
再预测多一张狗的图片：
预测结果：
