修改predict_with_paddle.py

Author: Star We

lesson3/predict_with_paddle.py

@@ -13,11 +13,13 @@
 与train-with-paddle.py不同，这里不需要重新训练模型，只需要加载训练生成的parameters.tar
 文件来获取模型参数，对这组参数也就是训练完的模型进行检测。
 1.载入数据和预处理：load_data()
-2.初始化
-3.配置网络结构
-4.获取训练和测试数据
-5.从parameters.tar文件直接获取模型参数
-6.根据模型参数和测试数据来预测结果
+2.从parameters.tar文件直接获取模型参数
+3.初始化
+4.配置网络结构
+5.获取测试数据
+6.根据测试数据获得预测结果
+7.将预测结果转化为二分类结果
+8.预测图片是否为猫
 """
 
 import os
@@ -129,18 +131,6 @@ def get_data(data_creator):
  return result
 
 
-# 获取test_data
-def get_test_data():
- """
- 使用test()来获取测试数据
-
- Args:
- Return:
- get_data(test()) -- 包含测试数据(image)和标签(label)的python字典
- """
- return get_data(test())
-
-
 # 二分类结果
 def get_binary_result(probs):
  """
@@ -160,35 +150,54 @@ def get_binary_result(probs):
  return binary_result
 
 
-def main():
+# 配置网络结构和设置参数
+def netconfig():
  """
- 预测结果并检验模型准确率
+ 配置网络结构和设置参数
  Args:
  Return:
+ image -- 输入层，DATADIM维稠密向量
+ y_predict -- 输出层，Sigmoid作为激活函数
  """
- global PARAMETERS
- paddle.init(use_gpu=False, trainer_count=1)
- load_data()
- if not os.path.exists('params_pass_1900.tar'):
- print("Params file doesn't exists.")
- return
- with open('params_pass_1900.tar', 'r') as f:
- PARAMETERS = paddle.parameters.Parameters.from_tar(f)
-
  # 输入层，paddle.layer.data表示数据层
  # name=’image’：名称为image
  # type=paddle.data_type.dense_vector(DATADIM)：数据类型为DATADIM维稠密向量
  image = paddle.layer.data(
  name='image', type=paddle.data_type.dense_vector(DATADIM))
 
- # 输入层，paddle.layer.data表示数据层
- # name=’label’：名称为image
- # type=paddle.data_type.dense_vector(DATADIM)：数据类型为DATADIM维向量
+ # 输出层，paddle.layer.fc表示全连接层，input=image: 该层输入数据为image
+ # size=1：神经元个数，act=paddle.activation.Sigmoid()：激活函数为Sigmoid()
  y_predict = paddle.layer.fc(
  input=image, size=1, act=paddle.activation.Sigmoid())
 
+ data = [image, y_predict]
+
+ return data
+
+
+def main():
+ """
+ 预测结果并检验模型准确率
+ Args:
+ Return:
+ """
+ global PARAMETERS
+
+ # 载入数据
+ load_data()
+
+ # 载入参数
+ with open('params_pass_1920.tar', 'r') as f:
+ PARAMETERS = paddle.parameters.Parameters.from_tar(f)
+
+ # 初始化
+ paddle.init(use_gpu=False, trainer_count=1)
+
+ # 配置网络结构
+ image, y_predict = netconfig()
+
  # 获取测试数据
- test_data = get_test_data()
+ test_data = get_data(test())
 
  # 根据test_data预测结果
  probs = paddle.infer(
@@ -198,6 +207,7 @@ def main():
  # 将结果转化为二分类结果
  binary_result = get_binary_result(probs)
 
+ # 预测图片是否为猫
  index = 12
  print ("y = " + str(binary_result[index]) + ", you predicted that it is a \"" +
  CLASSES[binary_result[index]].decode("utf-8") + "\" picture.")

lesson3/train_with_numpy.py

@@ -19,6 +19,7 @@
 4.利用模型进行预测
 5.分析预测结果
 6.定义model函数来按顺序将上述步骤合并
+7.展示学习曲线plot_costs()
 """
 import matplotlib
 import numpy as np