5.paddlepaddle之10行代码深度学习图片分类（cifar）

本文所依赖的环境如下，主要还是paddlepaddle：

paddlepaddle（2.3.1）
cifar数据集

cifar数据集官网：CIFAR-10 and CIFAR-100 datasets 

cifar的数据集有10分类和100分类图片，图片大小为（32,32,3），其中cifar10数据集有6万张图片10分类，5万训练集和10万训练集。

第一步，python引入所需的paddle依赖。

import paddle
from paddle.vision.transforms import Normalize,Compose,Transpose,Resize

第二步，获取cifar数据集，这里paddlepaddle支持直接获取cifar数据集，但是其数据格式是HWC，channel在后，由于paddlepaddle的模型和pytorch都默认的是CHW数据格式，所以我们加上转置函数Transpose,由于cifar图片本身过小，扩大size到(227,227,3)。

transform = Compose([Resize(227),Normalize(mean=[127.5, 127.5, 127.5], std=[127.5, 127.5, 127.5], data_format='HWC'),Transpose()])
train_dataset = paddle.vision.datasets.Cifar10(mode='train',transform=transform,backend='cv2')
test_dataset = paddle.vision.datasets.Cifar10(mode='test',transform=transform,backend='cv2')

第三步，构建模型，在这里我们直接使用paddlepaddle的内置模型vgg，这是一个由3*3卷积层堆叠的模型，相当基础的模型。

alexnet = paddle.vision.models.vgg11(batch_norm=True,num_classes=10)
model = paddle.Model(alexnet)

第四步，配置优化器，损失函数，由于是多分类任务，我们选择交叉熵损失函数。

model.prepare(paddle.optimizer.Adam(parameters=model.parameters()),
              paddle.nn.CrossEntropyLoss(),
              paddle.metric.Accuracy())

第五步，vgg模型训练，配置epoch，batch_size等。

model.fit(train_dataset, epochs=50, batch_size=1024, verbose=1)

第六步 ，vgg模型在测试集上做最终验证。

model.evaluate(test_dataset,batch_size=1024,verbose=1)

最后，执行训练。放出全部代码，可以看到paddlepaddle在传统图片分类上可以很容易的得到结果。

import paddle
from paddle.vision.transforms import Normalize,Compose,Transpose,Resize
transform = Compose([Resize(227),Normalize(mean=[127.5, 127.5, 127.5], std=[127.5, 127.5, 127.5], data_format='HWC'),Transpose()])
train_dataset = paddle.vision.datasets.Cifar10(mode='train',transform=transform,backend='cv2')
test_dataset = paddle.vision.datasets.Cifar10(mode='test',transform=transform,backend='cv2')
alexnet = paddle.vision.models.resnet(num_classes=10)
model = paddle.Model(alexnet)
model.prepare(paddle.optimizer.Adam(parameters=model.parameters()),
            paddle.nn.CrossEntropyLoss(),
             paddle.metric.Accuracy())
model.fit(train_dataset, epochs=50, batch_size=128, verbose=1)
model.evaluate(test_dataset, batch_size=128, verbose=1)

总结，本文主要对cifar数据集进行paddlepaddle的模型训练，代码简洁，可以看出paddle在集成上是非常好的。