开发笔记:深度学习系列PaddlePaddle之手写数字识别

　　上周在搜索关于深度学习分布式运行方式的资料时，无意间搜到了paddlepaddle，发现这个框架的分布式训练方案做的还挺不错的，想跟大家分享一下。不过呢，这块内容太复杂了，所以就简单的介绍一下paddlepaddle的第一个“hello word”程序----mnist手写数字识别。下一次再介绍用PaddlePaddle做分布式训练的方案。其实之前也写过一篇用CNN识别手写数字集的文章（链接戳这里~），是用keras实现的，这次用了paddlepaddle后，正好可以简单对比一下两个框架的优劣。

什么是PaddlePaddle？

　　PaddlePaddle是百度推出的一个深度学习框架，可能大多数人平常用的比较多的一般是tensorflow，caffe，mxnet等，但其实PaddlePaddle也是一个非常不错的框架（据说以前叫Paddle，现在改名叫PaddlePaddle，不知道为啥总觉得有股莫名的萌点）

PaddlePaddle能做什么?

　　传统的基本都能做，尤其对NLP的支持很好，譬如情感分析，word embedding，语言模型等，反正你想得到的，常见的都可以用它来试一试~

PaddlePaddle的安装

　　不得不吐槽一下PaddlePaddle的安装，官网上说“PaddlePaddle目前唯一官方支持的运行的方式是Docker容器”，而docker其实在国内还并不是特别的流行，之前遇到的所有的框架，都有很多种安装方式，非常方便，所以这个唯一支持docker让人觉得非常诡异 = =！不过偶然试了一下，居然可以用pip install，不过为啥官网上没有写呢？所以，对于新手来说，最简单的安装方式就是：

• CPU版本安装

        pip install paddlepaddle 

• GPU版本安装

        pip install paddlepaddle-gpu 

 用PaddlePaddle实现手写数字识别

　　训练步骤

　　传统的方式这次就不展开讲了，为了对比我们还是用CNN来进行训练。PaddlePaddle训练一次模型完整的过程可以如下几个步骤：

导入数据---->定义网络结构---->训练模型---->保存模型---->测试结果　　

　　下面，我直接用代码来展示训练的过程（以后代码都会放在github里）：

#coding:utf-8import osfrom PIL import Imageimport numpy as npimport paddle.v2 as paddle# 设置是否用gpu，0为否，1为是with_gpu = os.getenv('WITH_GPU', '0') != '1'# 定义网络结构def convolutional_neural_network_org(img):    # 第一层卷积层
conv_pool_1 = paddle.networks.simple_img_conv_pool(
       input=img,
       filter_size=5,
       num_filters=20,
       num_channel=1,
       pool_size=2,
       pool_stride=2,
       act=paddle.activation.Relu())    # 第二层卷积层
conv_pool_2 = paddle.networks.simple_img_conv_pool(
       input=conv_pool_1,
       filter_size=5,
       num_filters=50,
       num_channel=20,
       pool_size=2,
       pool_stride=2,
       act=paddle.activation.Relu())    # 全连接层
predict = paddle.layer.fc(
       input=conv_pool_2, size=10, act=paddle.activation.Softmax())    return predictdef main():    # 初始化定义跑模型的设备
paddle.init(use_gpu=with_gpu, trainer_count=1)    # 读取数据
images = paddle.layer.data(
       name='pixel', type=paddle.data_type.dense_vector(784))
   label = paddle.layer.data(
       name='label', type=paddle.data_type.integer_value(10))    # 调用之前定义的网络结构
predict = convolutional_neural_network(images)    # 定义损失函数
cost = paddle.layer.classification_cost(input=predict, label=label)    # 指定训练相关的参数
parameters = paddle.parameters.create(cost)    # 定义训练方法
optimizer = paddle.optimizer.Momentum(
       learning_rate=0.1 / 128.0,
       momentum=0.9,
       regularization=paddle.optimizer.L2Regularization(rate=0.0005 * 128))    # 训练模型
trainer = paddle.trainer.SGD(
       cost=cost, parameters=parameters, update_equation=optimizer)
   lists = []    # 定义event_handler，输出训练过程中的结果
def event_handler(event):        if isinstance(event, paddle.event.EndIteration):            if event.batch_id % 100 == 0:                print "Pass %d, Batch %d, Cost %f, %s" % (
                   event.pass_id, event.batch_id, event.cost, event.metrics)        if isinstance(event, paddle.event.EndPass):            # 保存参数
with open('params_pass_%d.tar' % event.pass_id, 'w') as f:
               parameters.to_tar(f)
           result = trainer.test(reader=paddle.batch(
               paddle.dataset.mnist.test(), batch_size=128))            print "Test with Pass %d, Cost %f, %s
" % (
               event.pass_id, result.cost, result.metrics)
           lists.append((event.pass_id, result.cost,
                         result.metrics['classification_error_evaluator']))
   trainer.train(
       reader=paddle.batch(
           paddle.reader.shuffle(paddle.dataset.mnist.train(), buf_size=8192),
           batch_size=128),
       event_handler=event_handler,
       num_passes=10)    # 找到训练误差最小的一次结果
best = sorted(lists, key=lambda list: float(list[1]))[0]    print 'Best pass is %s, testing Avgcost is %s' % (best[0], best[1])    print 'The classification accuracy is %.2f%%' % (100 - float(best[2]) * 100)    # 加载数据  
def load_image(file):
       im = Image.open(file).convert('L')
       im = im.resize((28, 28), Image.ANTIALIAS)
       im = np.array(im).astype(np.float32).flatten()
       im = im / 255.0 return im    # 测试结果
test_data = []
   cur_dir = os.path.dirname(os.path.realpath(__file__))
   test_data.append((load_image(cur_dir + '/image/infer_3.png'), ))
   probs = paddle.infer(
       output_layer=predict, parameters=parameters, input=test_data)
   lab = np.argsort(-probs) # probs and lab are the results of one batch data
print "Label of image/infer_3.png is: %d" % lab[0][0]if __name__ == '__main__':
   main()

　　上面的代码看起来很长，但结构还是很清楚的。下面我们用实际数据测试一下，看一下效果到底怎么样~

　　BaseLine版本

　　首先我用了官网给出的例子，直接用最基本的CNN网络结构训练了一下，代码如下:　

1 def convolutional_neural_network_org(img): 2 # 第一层卷积层 3 conv_pool_1 = paddle.networks.simple_img_conv_pool( 4 input=img, 5 filter_size=5, 6 num_filters=20, 7 num_channel=1, 8 pool_size=2, 9 pool_stride=2,10 act=paddle.activation.Relu())11 # 第二层卷积层12 conv_pool_2 = paddle.networks.simple_img_conv_pool(13 input=conv_pool_1,14 filter_size=5,15 num_filters=50,16 num_channel=20,17 pool_size=2,18 pool_stride=2,19 act=paddle.activation.Relu())20 # 全连接层21 predict = paddle.layer.fc(22 input=conv_pool_2, size=10, act=paddle.activation.Softmax())23 return predict

　　输出结果如下:

I1023 13:45:46.519075 34144 Util.cpp:166] commandline: --use_gpu=True --trainer_count=1[INFO 2017-10-23 13:45:52,667 layers.py:2539] output for __conv_pool_0___conv: c = 20, h = 24, w = 24, size = 11520[INFO 2017-10-23 13:45:52,667 layers.py:2667] output for __conv_pool_0___pool: c = 20, h = 12, w = 12, size = 2880[INFO 2017-10-23 13:45:52,668 layers.py:2539] output for __conv_pool_1___conv: c = 50, h = 8, w = 8, size = 3200[INFO 2017-10-23 13:45:52,669 layers.py:2667] output for __conv_pool_1___pool: c = 50, h = 4, w = 4, size = 800I1023 13:45:52.675750 34144 GradientMachine.cpp:85] Initing parameters..
I1023 13:45:52.686153 34144 GradientMachine.cpp:92] Init parameters done.
Pass 0, Batch 0, Cost 3.048408, {'classification_error_evaluator': 0.890625}
Pass 0, Batch 100, Cost 0.188828, {'classification_error_evaluator': 0.0546875}
Pass 0, Batch 200, Cost 0.075183, {'classification_error_evaluator': 0.015625}
Pass 0, Batch 300, Cost 0.070798, {'classification_error_evaluator': 0.015625}
Pass 0, Batch 400, Cost 0.079673, {'classification_error_evaluator': 0.046875}
Test with Pass 0, Cost 0.074587, {'classification_error_evaluator': 0.023800000548362732}
```
```
```
Pass 4, Batch 0, Cost 0.032454, {'classification_error_evaluator': 0.015625}
Pass 4, Batch 100, Cost 0.021028, {'classification_error_evaluator': 0.0078125}
Pass 4, Batch 200, Cost 0.020458, {'classification_error_evaluator': 0.0}
Pass 4, Batch 300, Cost 0.046728, {'classification_error_evaluator': 0.015625}
Pass 4, Batch 400, Cost 0.030264, {'classification_error_evaluator': 0.015625}
Test with Pass 4, Cost 0.035841, {'classification_error_evaluator': 0.01209999993443489}
Best pass is 4, testing Avgcost is 0.0358410408473The classification accuracy is 98.79%Label of image/infer_3.png is: 3real    0m31.565s
user    0m20.996s
sys    0m15.891s

　　可以看到，第一行输出选择的设备是否是gpu，这里我选择的是gpu，所以等于1，如果是cpu，就是0。接下来四行输出的是网络结构，然后开始输出训练结果，训练结束，我们把这几次迭代中误差最小的结果输出来，98.79%，效果还是很不错的，毕竟只迭代了5次。最后看一下输出时间，非常快，约31秒。然而这个结果我并不是特别满意，因为之前用keras做的时候调整的网络模型训练往后准确率能够达到99.72%，不过速度非常慢，迭代69次大概需要30分钟左右，所以我觉得这个网络结构还是可以改进一下的，所以我对这个网络结构改进了一下，请看改进版

　　改进版　

def convolutional_neural_network(img):    # 第一层卷积层
conv_pool_1 = paddle.networks.simple_img_conv_pool(
       input=img,
       filter_size=5,
       num_filters=20,
       num_channel=1,
       pool_size=2,
       pool_stride=2,
       act=paddle.activation.Relu())    # 加一层dropout层
drop_1 = paddle.layer.dropout(input=conv_pool_1, dropout_rate=0.2)    # 第二层卷积层
conv_pool_2 = paddle.networks.simple_img_conv_pool(
       input=drop_1,
       filter_size=5,
       num_filters=50,
       num_channel=20,
       pool_size=2,
       pool_stride=2,
       act=paddle.activation.Relu())    # 加一层dropout层
drop_2 = paddle.layer.dropout(input=conv_pool_2, dropout_rate=0.5)    # 全连接层
fc1 = paddle.layer.fc(input=drop_2, size=10, act=paddle.activation.Linear())
   bn = paddle.layer.batch_norm(input=fc1,act=paddle.activation.Relu(),
        layer_attr=paddle.attr.Extra(drop_rate=0.2))
   predict = paddle.layer.fc(input=bn, size=10, act=paddle.activation.Softmax())    return predict

　　在改进版里我们加了一些dropout层来避免过拟合。分别在第一层卷积层和第二层卷积层后加了dropout，阈值设为0.5。改变网络结构也非常简单，直接在定义的网络结构函数里对模型进行修改即可，这一点其实和keras的网络结构定义方式还是挺像的，易用性很高。下面来看看效果：

I1023 14:01:51.653827 34244 Util.cpp:166] commandline: --use_gpu=True --trainer_count=1[INFO 2017-10-23 14:01:57,830 layers.py:2539] output for __conv_pool_0___conv: c = 20, h = 24, w = 24, size = 11520[INFO 2017-10-23 14:01:57,831 layers.py:2667] output for __conv_pool_0___pool: c = 20, h = 12, w = 12, size = 2880[INFO 2017-10-23 14:01:57,832 layers.py:2539] output for __conv_pool_1___conv: c = 50, h = 8, w = 8, size = 3200[INFO 2017-10-23 14:01:57,833 layers.py:2667] output for __conv_pool_1___pool: c = 50, h = 4, w = 4, size = 800I1023 14:01:57.842871 34244 GradientMachine.cpp:85] Initing parameters..
I1023 14:01:57.854014 34244 GradientMachine.cpp:92] Init parameters done.
Pass 0, Batch 0, Cost 2.536199, {'classification_error_evaluator': 0.875}
Pass 0, Batch 100, Cost 1.668236, {'classification_error_evaluator': 0.515625}
Pass 0, Batch 200, Cost 1.024846, {'classification_error_evaluator': 0.375}
Pass 0, Batch 300, Cost 1.086315, {'classification_error_evaluator': 0.46875}
Pass 0, Batch 400, Cost 0.767804, {'classification_error_evaluator': 0.25}
Pass 0, Batch 500, Cost 0.545784, {'classification_error_evaluator': 0.1875}
Pass 0, Batch 600, Cost 0.731662, {'classification_error_evaluator': 0.328125}
```
```
```
Pass 49, Batch 0, Cost 0.415184, {'classification_error_evaluator': 0.09375}
Pass 49, Batch 100, Cost 0.067616, {'classification_error_evaluator': 0.0}
Pass 49, Batch 200, Cost 0.161415, {'classification_error_evaluator': 0.046875}
Pass 49, Batch 300, Cost 0.202667, {'classification_error_evaluator': 0.046875}
Pass 49, Batch 400, Cost 0.336043, {'classification_error_evaluator': 0.140625}
Pass 49, Batch 500, Cost 0.290948, {'classification_error_evaluator': 0.125}
Pass 49, Batch 600, Cost 0.223433, {'classification_error_evaluator': 0.109375}
Pass 49, Batch 700, Cost 0.217345, {'classification_error_evaluator': 0.0625}
Pass 49, Batch 800, Cost 0.163140, {'classification_error_evaluator': 0.046875}
Pass 49, Batch 900, Cost 0.203645, {'classification_error_evaluator': 0.078125}
Test with Pass 49, Cost 0.033639, {'classification_error_evaluator': 0.008100000210106373}
Best pass is 48, testing Avgcost is 0.0313018567383The classification accuracy is 99.28%Label of image/infer_3.png is: 3real    5m3.151s
user    4m0.052s
sys    1m8.084s

　　从上面的数据来看，这个效果还是很不错滴，对比之前用keras训练的效果来看，结果如下：

　　可以看到这个速度差异是很大的了，在准确率差不多的情况下，训练时间几乎比原来缩短了六倍，网络结构也相对简单，说明需要调整的参数也少了很多。

总结

　　paddlepaddle用起来还是很方便的，不论是定义网络结构还是训练速度，都值得一提，然而我个人的体验中，认为最值得说的是这几点：

1.导入数据方便。这次训练的手写数字识别数据量比较小，但是如果想要添加数据，也非常方便，直接添加到相应目录下。

2.event_handler机制，可以自定义训练结果输出内容。之前用的keras，以及mxnet等都是已经封装好的函数，输出信息都是一样的，这里paddlepaddle把这个函数并没有完全封装，而是让我们用户自定义输出的内容，可以方便我们减少冗余的信息，增加一些模型训练的细节的输出，也可以用相应的函数画出模型收敛的图片，可视化收敛曲线。

3.速度快。上面的例子已经证明了paddlepaddle的速度，并且在提升速度的同时，模型准确度也与最优结果相差不多，这对于我们训练海量数据的模型是一个极大的优势啊！

然而，paddlepaddle也有几点让我用的有点难受，譬如文档太少了啊，报错了上网上搜没啥结果啊等等，不过我觉得这个应该不是大问题，以后用的人多了以后肯定相关资料也会更多。所以一直很疑惑，为啥paddlepaddle不火呢？安装诡异是一个吐槽点，但其实还是很优秀的一个开源软件，尤其是最值得说的分布式训练方式，多机多卡的设计是非常优秀的，本篇没有讲，下次讲讲如何用paddlepaddle做单机单卡，单机多卡，多机单卡和多机多卡的训练方式来训练模型，大家多多用起来呀~~可以多交流呀~

ps:由于paddlepaddle的文档实在太少了，官网的文章理论介绍的比较多，网上的博文大多数都是几个经典例子来回跑，所以我打算写个系列，跟实战相关的，不再只有深度学习的“hello world”程序，这次用“hello world”做个引子，下篇开始写点干货哈哈~