【百度飞桨】手写数字识别模型部署Paddle Inference

从完成一个简单的『手写数字识别任务』开始，快速了解飞桨框架 API 的使用方法。

模型开发

『手写数字识别』是深度学习里的 Hello World 任务，用于对 0 ~ 9 的十类数字进行分类，即输入手写数字的图片，可识别出这个图片中的数字。

本任务用到的数据集为 MNIST 手写数字数据集，用于训练和测试模型。该数据集包含 60000 张训练图片、 10000 张测试图片、以及对应的分类标签文件，每张图片上是一个 0 ~ 9 的手写数字，分辨率为 28 * 28。

环境配置

直接去飞桨AI Studio首页创建项目——添加数据集

导入要用到的包

import paddle

import numpy as np

import matplotlib.pyplot as plt

import cv2

import paddle.vision.transforms as T

加载数据集

飞桨在 paddle.vision.datasets 下内置了计算机视觉（Computer Vision，CV）领域常见的数据集，如 MNIST、Cifar10、Cifar100、FashionMNIST 和 VOC2012 等。在本任务中，先后加载了 MNIST 训练集（mode='train'）和测试集（mode='test'），训练集用于训练模型，测试集用于评估模型效果。

transform = T.Normalize(mean=[127.5], std=[127.5])

train_dataset = paddle.vision.datasets.MNIST(mode='train', transform=transform)

eval_dataset = paddle.vision.datasets.MNIST(mode='test',transform=transform)

# 打印数据集里图片数量

print('训练集样本量：{}, 验证集样本量{}'.format(len(train_dataset),len(eval_dataset)))

#显示样本

cv2.imwrite("C:/1.PNG", train_dataset[0][0])

plt.figure()

plt.imshow(train_dataset[0][0].reshape([28,28]),cmap=plt.cm.binary)

plt.show()

模型组网

飞桨的模型组网有多种方式，既可以直接使用飞桨内置的模型，也可以自定义组网。『手写数字识别任务』比较简单，普通的神经网络就能达到很高的精度。

可以使用飞桨内置的 LeNet 作为模型。飞桨在 paddle.vision.models 下内置了 CV 领域的一些经典模型，LeNet 就是其中之一，调用很方便，只需一行代码即可完成 LeNet 的网络构建和初始化。num_classes 字段中定义分类的类别数，因为需要对 0 ~ 9 的十类数字进行分类，所以设置为 10。

# 模型组网并初始化网络

lenet = paddle.vision.models.LeNet(num_classes=10)

# 可视化模型组网结构和参数

paddle.summary(lenet,(1, 1, 28, 28))

---------------------------------------------------------------------------

 Layer (type)       Input Shape          Output Shape         Param #

===========================================================================

   Conv2D-1       [[1, 1, 28, 28]]      [1, 6, 28, 28]          60

    ReLU-1        [[1, 6, 28, 28]]      [1, 6, 28, 28]           0

  MaxPool2D-1     [[1, 6, 28, 28]]      [1, 6, 14, 14]           0

   Conv2D-2       [[1, 6, 14, 14]]     [1, 16, 10, 10]         2,416

    ReLU-2       [[1, 16, 10, 10]]     [1, 16, 10, 10]           0

  MaxPool2D-2    [[1, 16, 10, 10]]      [1, 16, 5, 5]            0

   Linear-1          [[1, 400]]            [1, 120]           48,120

   Linear-2          [[1, 120]]            [1, 84]            10,164

   Linear-3          [[1, 84]]             [1, 10]              850

===========================================================================

Total params: 61,610

Trainable params: 61,610

Non-trainable params: 0

---------------------------------------------------------------------------

Input size (MB): 0.00

Forward/backward pass size (MB): 0.11

Params size (MB): 0.24

Estimated Total Size (MB): 0.35

---------------------------------------------------------------------------

{'total_params': 61610, 'trainable_params': 61610}

也可以自己随便搭建一个：

network = paddle.nn.Sequential(

    paddle.nn.Conv2D(1,10,5),

    paddle.nn.MaxPool2D(3,2),

    paddle.nn.Conv2D(10,20,5),

    paddle.nn.MaxPool2D(3,2),

    paddle.nn.Flatten(),

    paddle.nn.Linear(180,64),

    paddle.nn.ReLU(),

    paddle.nn.Linear(64,10)

)

model = paddle.Model(network)

model.summary((1,1,28,28)) # 可以搭建一层就看看网络结构

模型训练

模型训练需完成如下步骤：

使用 paddle.Model 封装模型。将网络结构组合成可快速使用飞桨高层 API 进行训练、评估、推理的实例，方便后续操作。
使用 paddle.Model.prepare 完成训练的配置准备工作。包括损失函数、优化器和评价指标等。飞桨在 paddle.optimizer 下提供了优化器算法相关 API，在 paddle.nn Loss层提供了损失函数相关 API，在 paddle.metric 下提供了评价指标相关 API。
使用 paddle.Model.fit 配置循环参数并启动训练。配置参数包括指定训练的数据源 train_dataset、训练的批大小 batch_size、训练轮数 epochs 等，执行后将自动完成模型的训练循环。

因为是分类任务，这里损失函数使用常见的 CrossEntropyLoss （交叉熵损失函数），优化器使用 Adam，评价指标使用 Accuracy 来计算模型在训练集上的精度。

# 封装模型，便于进行后续的训练、评估和推理

model = paddle.Model(lenet)

# 模型训练的配置准备，准备损失函数，优化器和评价指标

model.prepare(paddle.optimizer.Adam(parameters=model.parameters()),

              paddle.nn.CrossEntropyLoss(),

              paddle.metric.Accuracy())

# 开始训练

model.fit(train_dataset, epochs=5, batch_size=64, verbose=1)

模型评估、验证

模型训练完成之后，调用 paddle.Model.evaluate ，使用预先定义的测试数据集，来评估训练好的模型效果，评估完成后将输出模型在测试集上的损失函数值 loss 和精度 acc。

result = model.evaluate(eval_dataset,verbose=1)

print(result)

res = model.predict(eval_dataset,verbose=1)

def show_img(img,predict):

    plt.figure()

    plt.title("predict:{}".format(predict))

    plt.imshow(img.reshape([28,28]),cmap=plt.cm.binary)

    plt.show()

indexs = [1,26,56,111]

for idx in indexs:

    show_img(eval_dataset[idx][0], res[0][idx].argmax())

模型保存

模型训练完成后，通常需要将训练好的模型参数和优化器等信息，持久化保存到参数文件中，便于后续执行推理验证。

在飞桨中可通过调用 paddle.Model.save 保存模型。代码示例如下，其中 output 为模型保存的文件夹名称，minst 为保存的模型文件名称。

# 保存模型，文件夹会自动创建

model.save('./output/mnist')

以上代码执行后会在output目录下保存两个文件，mnist.pdopt为优化器的参数，mnist.pdparams为模型的参数。

output

├── mnist.pdopt     # 优化器的参数

└── mnist.pdparams  # 模型的参数

如果是

model.save('snap/mnist',training=False)

选择前两个进行部署

模型部署

环境配置

下载安装C++预测库，

下载opencv
下载tensorrt的对应版本
下载安装cuda以及cudnn
属性页配置

代码

#pragma once

#include <opencv2/opencv.hpp>

#include <paddle_inference_api.h>

#include <numeric>

using namespace cv;

using namespace std;

class Paddle {

private:

    paddle_infer::Config config;

public:

    bool loadModel(string& model_dir, string& model_file, string& params_file, int threads);

    void softmax(const vector<float>& input, vector<float>& result);

    void preprocess(Mat& src, Mat& dst, float meanValue, float stdValue);

    void gpuInference(Mat& srcImage, int srcWidth, int srcHeight, int matType, float meanValue, float stdValue, int& labelIndex, double& probability);

};

#include "Paddle.h"

//加载模型

bool Paddle::loadModel(string& model_dir, string& model_file, string& params_file, int threads) {

    // Config默认是使用CPU预测，可以设置开启MKLDNN加速、设置CPU的线程数、开启IR优化、开启内存优化。

    if (model_dir == "") {

        config.SetModel(model_file, params_file); // Load combined model

    }

    else {

        config.SetModel(model_dir); // Load no-combined model

    }

    config.EnableMKLDNN();

    config.EnableUseGpu(1000, 0);

    //config.SetCpuMathLibraryNumThreads(threads);

    config.SwitchIrOptim();

    config.EnableMemoryOptim();

    return true;

}

void Paddle::softmax(const vector<float>& input, vector<float>& result) {

    result.clear();

    float max = *std::max_element(input.begin(), input.end());

    subtract(input, max, result);

    exp(result, result);

    float total = sum(result)[0];

    divide(result, total, result);

}

//预处理

void Paddle::preprocess(Mat& src, Mat& dst, float meanValue, float stdValue) {

    Scalar mean(meanValue);

    Scalar std(stdValue);

    src.convertTo(src, CV_32F, 1.0 / 255.0);

    subtract(src, mean, src);

    divide(src, std, src);

    dst = src.clone();

}

//单张图像前向传播

void Paddle::gpuInference(Mat& srcImage, int srcWidth, int srcHeight, int matType, float meanValue, float stdValue, int& labelIndex, double& probability)

{

    clock_t start, end;

    Mat dstImage(srcWidth, srcHeight,CV_32FC1);

    //预处理

    int buffer_size = srcWidth * srcHeight;

    preprocess(srcImage, dstImage, meanValue, stdValue);

    std::vector<float> input_buffer;

    input_buffer.assign((float*)dstImage.datastart, (float*)dstImage.dataend);

    input_buffer.resize(buffer_size);

    // 创建Predictor

    std::shared_ptr<paddle_infer::Predictor> predictor = paddle_infer::CreatePredictor(config);

    // 设置输入

    auto input_names = predictor->GetInputNames();

    auto input_t = predictor->GetInputHandle(input_names[0]);

    std::vector<int> input_shape = { 1, 1, srcWidth, srcHeight };

    input_t->Reshape(input_shape);

    input_t->CopyFromCpu(input_buffer.data());

    start = clock();

    predictor->Run();

    end = clock();

    // 后处理

    auto output_names = predictor->GetOutputNames();

    auto output_t = predictor->GetOutputHandle(output_names[0]);

    std::vector<int> output_shape = output_t->shape();

int out_num = std::accumulate(output_shape.begin(), output_shape.end(), 1,

        std::multiplies<int>());

    std::vector<float> out_data;

    out_data.resize(out_num);

    output_t->CopyToCpu(out_data.data());

    
    Point maxLoc;

    double maxValue = 0;

    vector<float> output;

    softmax(out_data, output);

    minMaxLoc(output, 0, &maxValue, 0, &maxLoc);

    labelIndex = maxLoc.x;

    probability = maxValue;

    cout << labelIndex << ":" << probability;

double time = end - start;

    cout << "spend time:" << time << endl;

}

调用

#include "Paddle.h"

int main() {

    Paddle p;

    string model_dir = "";

    string model_file = "F:/C++Projects/paddle/mnist.pdmodel";

    string params_file = "F:/C++Projects/paddle/mnist.pdiparams";

    p.loadModel(model_dir, model_file, params_file, 1);

    Mat src = imread("D:/Backup/桌面/6.png", 0);

    resize(src, src, Size(28, 28));

    bitwise_not(src, src);

    int labelIndex = 0;

    double probability = 0.0;

    p.gpuInference(src, 28, 28, CV_8UC1, 0.5, 0.5, labelIndex, probability);

}

model.save('snap/mnist',training=False)