Add new file

这个是训练python源码
加载cnn卷积神经网络模型，以MNIST数据集为训练数据，训练模型

train_main.py

+import paddle
+import paddle.fluid as fluid
+from decode_binary_function import *  #这里导入解码二进制函数模块
+from cnn_function import *
+from cnn_net import ConvolutionalNeuralNetwork
+import numpy as np
+import struct
+import matplotlib.pyplot as plt
+
+# 训练集文件
+train_images_idx3_ubyte_file = r'./MNIST/raw/train-images-idx3-ubyte'
+# 训练集标签文件
+train_labels_idx1_ubyte_file = r'./MNIST/raw/train-labels-idx1-ubyte'
+
+# 测试集文件
+test_images_idx3_ubyte_file = r'./MNIST/raw/t10k-images-idx3-ubyte'
+# 测试集标签文件
+test_labels_idx1_ubyte_file = r'./MNIST/raw/t10k-labels-idx1-ubyte'
+
+
+#train_set为60000条训练数据集图片，每张图片为28*28像素,数据集+数据集标签ndarray
+train_x_ori=decode_idx3_ubyte(train_images_idx3_ubyte_file)
+train_y_set=decode_idx1_ubyte(train_labels_idx1_ubyte_file)
+print('数据集train_x_ori形状:',train_x_ori.shape)
+print(type(train_x_ori))
+print('数据集标签train_y_set形状:',train_y_set.shape)
+print(type(train_y_set))
+m_train_x_ori=train_x_ori.shape[0]
+print('训练集含有图片数量：',m_train_x_ori)
+
+train_x_flatten=train_x_ori.reshape(m_train_x_ori,-1)#把train_x_ori展开为60000行
+train_x_set=train_x_flatten/255#数据归一化，因为每个像素为0-255，除以255让每一个数据都小于1
+train_set=np.hstack((train_x_set,train_y_set))#60000行数据和60000行标签合并
+print('合并后训练集形状:',train_set.shape)
+print('合并后训练集类型：',type(train_set))
+#print(train_set[0])#其中前784个为图片信息，第785个数据是标签信息
+
+#定义飞桨动态图工作环境
+with fluid.dygraph.guard():
+    #定义模型名称为mnist,调用了自己写的卷积神经网络
+    model = ConvolutionalNeuralNetwork('mnist')
+    #定义优化器optimizer，利用adam优化器，学习率0.001，参数列表为模型参数
+    opt=fluid.optimizer.Adam(learning_rate=0.001,parameter_list=model.parameters())
+    #迭代次数5次
+    EPOCH_NUM=50
+
+#train_reader是一个生成器,类型为function
+train_reader=read_data(train_set)#read_data()是一个生成器，会不断读取数据集里面的数据yeild
+print('观察yeild生成器返回对象类型:',type(train_reader))#生成器不加括号是function类型，加上括号是generation类型
+#train_reader1为generate类型，生成器生成的数据分批次读取，每个批次是16张图片
+train_reader1=paddle.batch(train_reader,batch_size=16)
+#观察一下paddle.batch返回类型
+print('paddle.batch返回类型：',type(train_reader1))#为function
+
+
+#训练模型
+with fluid.dygraph.guard():
+    # 定义外层循环
+    for pass_num in range(EPOCH_NUM):
+        # 定义内层循环
+        for batch_id,data in enumerate(train_reader1()):#这里的train_reader1加上了括号，就是一个生成器，总共60000张图片，分批生成
+            #观察data的结构至关重要,train_reader1  yeild的了两个数据，一个是前784个数据是图片，第785个数据是label，所以
+            #data是一个列表，列表长度是16，data[0]-data[15]共16个列表元素，data[1]是一个元组，
+            #print('data的类型：',type(data))
+            #print('data的长度：',len(data))
+            #print('data列表中元素的类型：',type(data[0]))
+            #print(data[0])
+            images = np.array([x[0].reshape(1, 28, 28) for x in data],np.float32)
+            labels = np.array([x[1] for x in data]).astype('int64').reshape(-1, 1)
+
+            #print('images类型：',type(images))
+            #print(images.shape)
+            #print('labels类型：', type(labels))
+            #print(labels.shape)
+            #print(images[0])
+            #y=images[0].reshape(28,28)
+            #plt.imshow(y)
+            #plt.show()
+            #print(labels)
+            #print(len(data_label))
+            #print(data_label)
+
+            # 将numpy数据转为飞桨动态图variable形式
+            image = fluid.dygraph.to_variable(images)
+            label = fluid.dygraph.to_variable(labels)
+            # 第一步：前向计算
+            predict = model(image)
+            # 第二步：计算损失
+            loss = fluid.layers.cross_entropy(predict,label)
+            avg_loss = fluid.layers.mean(loss)
+            # 第三步：计算精度
+            acc = fluid.layers.accuracy(predict,label)
+            #第四步：打印数据
+            if batch_id % 500 == 0:
+                print("pass:{},batch_id:{},train_loss:{},train_acc:{}".
+                      format(pass_num,batch_id,avg_loss.numpy(),acc.numpy()))
+
+            # 第五步：反向传播
+            avg_loss.backward()
+            # 最小化loss,更新参数
+            opt.minimize(avg_loss)
+            # 清除梯度
+            model.clear_gradients()
+    # 保存模型文件到指定路径
+    fluid.save_dygraph(model.state_dict(), 'mnist')
+
+
+
+