百度架构师手把手带你零基础实践深度学习——21日学习打卡（第一周直播视频、大作业、总结）
首先声明，不详细讲解代码部分，主要是针对课程的理解及对作业的分析。（要是有代码相关问题可以私信）
课程链接：百度架构师手把手带你零基础实践深度学习
上一篇文章：飞浆PaddlePaddle-百度架构师手把手带你零基础实践深度学习——21日学习打卡（第一周第五日）
课程专栏：深度学习课程（可以收藏哦）
第一次课程直播哔哩哔哩链接（我录的屏）：哔哩哔哩直播
第一次课程直播视频下载（文件有点大）：提取码：1234

第一周的学习到这里就结束了，毕然老师讲解的课程总是让人 忍不住学下去，第一周也属于打基础的一周，讲了飞桨的基础用法（我觉得直接参照API文档），通过手写体识别的这个案例，带我们了解了神经网络模型的构建，模型的保存和加载，模型的数据处理、网络结构、损失函数、优化算法、资源配置和恢复训练。总的来说，第一周还比较简单，算是上手练习了，通过这一周的预习，期待下周的学习！大家一起加油！（对这一周的课程有问题的，可以看一下我写的这一周的学习笔记，上面有作业的讲解，对课程的理解，源代码什么的我就写了主要的，如果想再看一遍课程的话文章也有链接，有问题随时可以转到课程页面。链接本文开头课程专栏里面。）。

大作业

最后把第一周时间作业给大家写出来，供大家参考：

import os
import random
import paddle
import paddle.fluid as fluid
from paddle.fluid.dygraph.nn import Conv2D, Pool2D, Linear
import numpy as np
from PIL import Image

train_data=paddle.dataset.mnist.train()
train_data=paddle.reader.shuffle(train_data,100)
train_data=paddle.batch(train_data,100)


# 定义模型结构
class MNIST(fluid.dygraph.Layer):
     def __init__(self):
         super(MNIST, self).__init__()
         # 定义一个卷积层，使用relu激活函数
         self.conv1 = Conv2D(num_channels=1, num_filters=20, filter_size=5, stride=1, padding=2, act='relu')
         # 定义一个池化层，池化核为2，步长为2，使用最大池化方式
         self.pool1 = Pool2D(pool_size=2, pool_stride=2, pool_type='max')
         # 定义一个卷积层，使用relu激活函数
         self.conv2 = Conv2D(num_channels=20, num_filters=20, filter_size=5, stride=1, padding=2, act='relu')
         # 定义一个池化层，池化核为2，步长为2，使用最大池化方式
         self.pool2 = Pool2D(pool_size=2, pool_stride=2, pool_type='max')
         # 定义一个全连接层，输出节点数为10 
         self.fc = Linear(input_dim=980, output_dim=10, act='softmax')
    # 定义网络的前向计算过程
     def forward(self, inputs, label):
         x = self.conv1(inputs)
         x = self.pool1(x)
         x = self.conv2(x)
         x = self.pool2(x)
         x = fluid.layers.reshape(x, [x.shape[0], 980])
         x = self.fc(x)
         if label is not None:
             acc = fluid.layers.accuracy(input=x, label=label)
             return x, acc
         else:
             return x


use_gpu = True
place = fluid.CUDAPlace(0) if use_gpu else fluid.CPUPlace()
from visualdl import LogWriter
with fluid.dygraph.guard(place):
    model = MNIST()
    model.train() 
    EPOCH_NUM = 5
    BATCH_SIZE = 100
    # 定义学习率，并加载优化器参数到模型中
    total_steps = (int(60000//BATCH_SIZE) + 1) * EPOCH_NUM
    lr = fluid.dygraph.PolynomialDecay(0.01, total_steps, 0.001)
    
    # 使用Adam优化器
    optimizer = fluid.optimizer.AdamOptimizer(learning_rate=lr, parameter_list=model.parameters())
    
    for epoch_id in range(EPOCH_NUM):
        for batch_id, data in enumerate(train_data()):
            #准备数据，变得更加简洁
            img_data = np.array([x[0] for x in data]).astype('float32').reshape(-1,1,28,28)
            # 获得图像标签数据，并转为float32类型的数组
            label_data = np.array([x[1] for x in data]).astype('int64').reshape(-1, 1)
            image = fluid.dygraph.to_variable(img_data)
            label = fluid.dygraph.to_variable(label_data)
            
            #前向计算的过程，同时拿到模型输出值和分类准确率
            predict, acc = model(image, label)
            avg_acc = fluid.layers.mean(acc)
            
            #计算损失，取一个批次样本损失的平均值
            loss = fluid.layers.cross_entropy(predict, label)
            avg_loss = fluid.layers.mean(loss)
            
            #每训练了200批次的数据，打印下当前Loss的情况
            if batch_id % 200 == 0:
                print("epoch: {}, batch: {}, loss is: {}, acc is {}".format(epoch_id, batch_id, avg_loss.numpy(),avg_acc.numpy()))
            #后向传播，更新参数的过程
            avg_loss.backward()
            optimizer.minimize(avg_loss)
            model.clear_gradients()
            
        # 保存模型参数和优化器的参数
        fluid.save_dygraph(model.state_dict(), './checkpoint/mnist_epoch{}'.format(epoch_id))
        fluid.save_dygraph(optimizer.state_dict(), './checkpoint/mnist_epoch{}'.format(epoch_id))
    


test_data=paddle.dataset.mnist.test()
#乱序、缓冲区
test_data=paddle.reader.shuffle(test_data,100)
#抽取100张
test_data=paddle.fluid.io.firstn(test_data, 100)
test_data=paddle.batch(test_data,100)
    
with fluid.dygraph.guard():
    print('********************随机抽取原始mnist测试集100张图片进行测试 ********************')
    #加载模型参数
    model = MNIST()
    model_state_dict, _ = fluid.load_dygraph('checkpoint/mnist_epoch4.pdopt')
    model.load_dict(model_state_dict)

    model.eval()

    acc_set = []
    avg_loss_set = []
    for batch_id, data in enumerate(test_data()):
        x_data = np.array([x[0] for x in data]).astype('float32').reshape(-1,1,28,28)
        # 获得图像标签数据，并转为float32类型的数组
        y_data = np.array([x[1] for x in data]).astype('int64').reshape(-1, 1)
        img = fluid.dygraph.to_variable(x_data)
        label = fluid.dygraph.to_variable(y_data)
        prediction, acc = model(img, label)
        loss = fluid.layers.cross_entropy(input=prediction, label=label)
        avg_loss = fluid.layers.mean(loss)
        acc_set.append(float(acc.numpy()))
        avg_loss_set.append(float(avg_loss.numpy()))
    
    #计算多个batch的平均损失和准确率
    acc_val_mean = np.array(acc_set).mean()
    avg_loss_val_mean = np.array(avg_loss_set).mean()

    print('测试结果：loss={}, acc={}'.format(avg_loss_val_mean, acc_val_mean))

看看我这个模型预测的结果：

epoch: 0, batch: 0, loss is: [4.7954593], acc is [0.06]
epoch: 0, batch: 200, loss is: [0.25242123], acc is [0.94]
epoch: 0, batch: 400, loss is: [0.09221936], acc is [0.99]
epoch: 1, batch: 0, loss is: [0.09070466], acc is [0.97]
epoch: 1, batch: 200, loss is: [0.15324901], acc is [0.98]
epoch: 1, batch: 400, loss is: [0.09217171], acc is [0.97]
epoch: 2, batch: 0, loss is: [0.08392312], acc is [0.99]
epoch: 2, batch: 200, loss is: [0.13600057], acc is [0.98]
epoch: 2, batch: 400, loss is: [0.03001227], acc is [1.]
epoch: 3, batch: 0, loss is: [0.07310453], acc is [0.97]
epoch: 3, batch: 200, loss is: [0.10491574], acc is [0.98]
epoch: 3, batch: 400, loss is: [0.02930602], acc is [0.99]
epoch: 4, batch: 0, loss is: [0.05660088], acc is [0.99]
epoch: 4, batch: 200, loss is: [0.0648721], acc is [0.99]
epoch: 4, batch: 400, loss is: [0.0180967], acc is [0.99]
********************随机抽取原始mnist测试集100张图片进行测试 ********************
测试结果：loss=0.016441160812973976, acc=1.0

完美。
有什么不对或者可以改进的地方欢迎评论，互相交流