用PaddlePaddle 实现方针检测使命——Paddle Fluid v1.1深度测评

【51CTO.com原创稿件】

11月1日，百度宣布了Paddle Fluid的1.1版本，作为海内首个深度进修框架，PaddlePaddle对中文社区很是友爱，有完美的中文社区、项目为导向的中文教程，可以让更多中文行使者更利便地举办深度进修、呆板进修相干的研究和实践。我本人也很是但愿PaddlePaddle可以或许不绝成长壮大，事实这是海内公司为开源社区做出的一项很是故意义的孝顺。为了一探Paddle Fluid 1.1版本毕竟做了哪些方面的更新，笔者第一时刻安装了新宣布的版本，用一个基于SSD的方针检测使命来测试一下新版PaddlePaddle的示意。

图像辨认对付做视觉的同窗来说应该是一个很是认识的使命了，最初深度进修就是是应用于图像辨认使命的，举例来说，给计较机一张汽车图片，让它判定这图片里有没有汽车。

对付配景干净的图片来说，这样做很故意义也较量轻易。可是假如是一张包括富厚元素的图片，不只辨认难度大大进步，仅仅判定出内里有没有图片的意义也不大了，我们必要找到到底在读片的什么位置呈现了一辆汽车，这就提出了一个新的使命和需求——方针检测。

我们的使命就是给定一张图像或是一个视频帧，让计较机找出个中全部方针的位置，并给出每个方针的详细种别。对付人类来说，方针检测是一个很是简朴的使命。然而，计较性可以或许“看到”的是图像被编码之后的数字，很难明图像或是视频帧中呈现了人或是物体这样的高层语义观念，，也就越发难以定位方针呈此刻图像中哪个地区。

与此同时，因为方针会呈此刻图像或是视频帧中的任何位置，方针的形态变化多端，图像或是视频帧的配景千差万别，诸多身分都使得方针检测对计较机来说是一个具有挑衅性的题目。今朝主流的要领是FasterRCNN、YOLO和SSD，本文行使SSD举办尝试。

第一次听到PaddlePaddle是在CCF前列研讨会上，其时几小我私人聊起来关于呆板进修算法平台的工作，有一位小搭档提起了这个名字，以是一段时刻以来我一向以为这是一个呆板进修算法平台。直到16年百度开源了PaddlePaddle我才知道，原本这是一个可以跟TensorFlow媲美的深度进修框架，主打“易用、高效、机动、可扩展”。以是，简朴来说，PaddlePaddle就是百度自研的一套深度进修框架（看过宣布会后相识到，百度为此成立了一套包围面很是广的生态，包罗金融、保举、决定等，但笔者首要是对PaddlePaddle的焦点框架举办测评，不在此挥霍过多文字了）。

3.1怎样安装

笔者的事变站是Ubuntu 16.04体系，PaddlePaddle在CentOS和Ubuntu都支持pip安装和docker安装，GPU版本在Linux下也可以美满适配。下面来看一下详细的安装步调。

起首我们行使cat /proc/cpuinfo | grep avx2来查察我们的Ubuntu体系是否支持avx2指令集，假如发明体系返回了如下一系列信息，就声名体系是支持avx2指令集的，可以安心举办后续安装。假如不支持也不要紧，在官网上可以直接下载no_avx的whl包举办安装。

接下来行使pip安装最新的Fluid v1.1版本的PaddlePaddle(GPU)，在安装前留意，必要在呆板上安装python3.5-dev才可以用pip安装PaddlePaddle。下载速率会较量慢，必要20分钟阁下的下载时刻。

安装完成后，在python里import paddle测试一下，假如乐成导入则声名安装乐成！

在更新的Paddle Fluid v1.1版本中还特意优化了对MacOS的支持，可以直接通过pip安装，也可以用源码编译安装。详细细节可参考：http://www.paddlepaddle.org/documentation/docs/zh/1.1/beginners_guide/install/Start.html

3.2PaddlePaddle的计较描写方法

框架的计较描写方法是深度进修项目开拓者很是存眷的一个题目。计较的描写方法经验了从Caffe1.0期间的一组持续执行的layers到TensorFlow的变量和操纵组成的计较图再到PaddlePaddle Fluid^[1]提出不再有模子的观念一系列的演变。那么PaddlePaddle此刻是怎么描写计较的呢？

PaddlePaddle行使Program来描写模子和优化进程，可以把它简朴领略为数据流的节制进程。Program由Block、Operator和Variable组成，variable和operator被组织成为多个可以嵌套的block。详细的，假如要实现一个神经收集，我们只必要通过添加须要的variable、operator来界说收集的前向计较，而反向计较、内存打点、block建设都由框架来完成。下面展示一下如安在PaddlePaddle中界说program：

以一个简朴的线性回归为例，我们这样界说前向计较逻辑：

#界说输入数据范例

x = fluid.layers.data(name="x",shape=[1],dtype='float32')

#搭建全毗连收集

y_predict = fluid.layers.fc(input=x,size=1,act=None)

界说好计较逻辑后，与TensorFlow一样，下一步就必要界说丧失函数，feed数据，开始实习，feed数据也是在执行运算的时辰举办，我们先界说一下数据，这里train_data 就是我们的输入数据，y_true是label：

train_data=numpy.array([[1.0],[2.0],[3.0],[4.0]]).astype('float32')

y_true = numpy.array([[2.0],[4.0],[6.0],[8.0]]).astype('float32')

添加均方偏差丧失函数(MSE)，框架会自动完成反向计较：

cost = fluid.layers.square_error_cost(input=y_predict,label=y)

avg_cost = fluid.layers.mean(cost)

（编辑：河北网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!