From f41339f945481f2cf892b0e04d638924fbf6344d Mon Sep 17 00:00:00 2001 From: maurise-yq-hu Date: Thu, 22 Dec 2016 14:14:52 +0800 Subject: [PATCH] Update index_cn.md MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit 按照review建议进行了修改 --- .../image_classification/index_cn.md | 43 +++++++++---------- 1 file changed, 21 insertions(+), 22 deletions(-) diff --git a/doc/tutorials/image_classification/index_cn.md b/doc/tutorials/image_classification/index_cn.md index 19f0fcce35a..87f465522a0 100644 --- a/doc/tutorials/image_classification/index_cn.md +++ b/doc/tutorials/image_classification/index_cn.md @@ -9,7 +9,7 @@ -我们准备了一个脚本，可以用于从官方网站上下载CIFAR-10数据集，并将之转化为jpeg文件，存入我们为本文中的实验所设计的目录中。使用这个脚本前请确认已经安装了pillow及相关依赖模块。可以参照下面的命令进行安装和下载： +我们准备了一个脚本，可以用于从官方网站上下载CIFAR-10数据集，转为jpeg文件并存入特定的目录。使用这个脚本前请确认已经安装了pillow及相关依赖模块。可以参照下面的命令进行安装： 1. 安装pillow @@ -25,9 +25,9 @@ cd demo/image_classification/data/ sh download_cifar.sh ``` -CIFAR-10数据集包含60000张32x32的彩色图片。图片分为10类，每个类包含6000张。其中50000张图片用于组成训练集，10000张组成测试集。 +CIFAR-10数据集包含60000张32x32的彩色图片。图片分为10类，每个类包含6000张。其中50000张图片作为训练集，10000张作为测试集。 -下图展示了所有的照片分类，并从每个分类中随机抽取了10张图片： +下图展示了所有的图片类别，每个类别中随机抽取了10张图片。
![Image Classification](./cifar.png)
脚本运行完成后，我们应当会得到一个名为cifar-out的文件夹，其下子文件夹的结构如下 @@ -58,7 +58,7 @@ test ---truck ``` -cifar-out下包含`train`和`test`两个文件夹，其中分别包含了CIFAR-10中的训练数据和测试数据。这两个文件夹下各自有10个子文件夹，每个子文件夹下存储相应分类的图片。将图片按照上述结构存储好之后，我们就可以着手对分类模型进行训练了。 +cifar-out下包含`train`和`test`两个文件夹，其中分别包含了CIFAR-10中的训练集和测试集。这两个文件夹下各自有10个子文件夹，每个子文件夹下存储相应分类的图片。将图片按照上述结构存储好之后，我们就可以着手对分类模型进行训练了。 ## 预处理 数据下载之后，还需要进行预处理，将数据转换为Paddle的格式。我们可以通过如下命令进行预处理工作： @@ -82,7 +82,7 @@ python preprocess.py -i $data_dir -s 32 -c 1 - `-c` 或 `--color` 标示图片是彩色图或灰度图 ## 模型训练 -在开始训练之前，我们需要先创建一个配置文件。下面我们给出了一个配置文件的示例（vgg_16_cifar.py）。**注意**，这里的列出的和`vgg_16_cifar.py`中有着细微的差别。 +在开始训练之前，我们需要先创建一个模型配置文件。下面我们给出了一个配置示例。**注意**，这里的列出的和`vgg_16_cifar.py`文件稍有差别，因为该文件可适用于预测。 ```python from paddle.trainer_config_helpers import * @@ -114,15 +114,15 @@ outputs(classification_cost(input=predict, label=lbl)) from paddle.trainer_config_helpers import * ``` -之后定义的`define_py_data_sources2`使用python data provider接口，其中 `args`将在`image_provider.py`进行使用，后者负责将图片数据传递给Paddle +之后定义的`define_py_data_sources2`使用Python数据提供器，其中 `args`将在`image_provider.py`进行使用，该文件负责产生图片数据并传递给Paddle系统 - `meta`: 训练集平均值。 - - `mean_img_size`: 特征图的平均高度及宽度。 + - `mean_img_size`: 平均特征图的高度及宽度。 - `img_size`：输入图片的高度及宽度。 - - `num_classes`：分类的个数。 - - `use_jpeg`：处理过程中数据存储格式 - - `color`标示是否为彩色图片 + - `num_classes`：类别个数。 + - `use_jpeg`：处理过程中数据存储格式。 + - `color`：标示是否为彩色图片。 - `settings`用于设置训练算法。在下面的例子中，learning rate被设置为0.1除以每批图片数（batch size），而weight decay则为0.0005乘以每批图片数。 + `settings`用于设置训练算法。在下面的例子中，learning rate被设置为0.1除以batch size，而weight decay则为0.0005乘以batch size。 ```python settings( @@ -133,12 +133,12 @@ settings( ) ``` -`small_vgg`定义了网络结构。这里我们使用了VGG卷积神经网络的一个小型版本。关于VGG卷积神经网络的描述可以参考：[http://www.robots.ox.ac.uk/~vgg/research/very_deep/](http://www.robots.ox.ac.uk/~vgg/research/very_deep/)。 +`small_vgg`定义了网络结构。这里我们使用的是一个小的VGG网络。关于VGG卷积神经网络的描述可以参考：[http://www.robots.ox.ac.uk/~vgg/research/very_deep/](http://www.robots.ox.ac.uk/~vgg/research/very_deep/)。 ```python # small_vgg is predined in trainer_config_helpers.network predict = small_vgg(input_image=img, num_channels=3) ``` -生成配置之后，我们就可以运行脚本train.sh来训练模型。请注意下面的脚本中假设该脚本放置是在路径`./demo/image_classification`下的。如果要从其它路径运行，你需要修改下面的脚本中的路径，以及配置文件中的相应内容。 +配置创建完毕后，可以运行脚本train.sh来训练模型。 ```bash config=vgg_16_cifar.py @@ -157,15 +157,14 @@ paddle train \ python -m paddle.utils.plotcurve -i $log > plot.png ``` - 这里我们使用的是GPU模式进行训练。如果你没有GPU环境，可以设置`use_gpu=0`。 -- `./demo/image_classification/vgg_16_cifar.py`是网络和数据配置文件。各项参数的详细说明可以在命令行参数相关文档中找到 -- 脚本`plotcurve.py`依赖于python的`matplotlib`模块。因此如果这个脚本运行失败，也许是因为需要安装`matplotlib` - +- `./demo/image_classification/vgg_16_cifar.py`是网络和数据配置文件。各项参数的详细说明可以在命令行参数相关文档中找到。 +- 脚本`plotcurve.py`依赖于python的`matplotlib`模块。因此如果这个脚本运行失败，也许是因为需要安装`matplotlib`。 在训练完成后，训练及测试误差曲线图会被`plotcurve.py`脚本保存在 `plot.png`中。下面是一个误差曲线图的示例：
![Training and testing curves.](./plot.png)
## 预测 -在训练完成后，模型及参数会被保存在路径`./cifar_vgg_model/pass-%05d`下。例如第300次训练所得的模型会被保存在`./cifar_vgg_model/pass-00299`。 +在训练完成后，模型及参数会被保存在路径`./cifar_vgg_model/pass-%05d`下。例如第300个pass的模型会被保存在`./cifar_vgg_model/pass-00299`。 要对一个图片的进行分类预测，我们可以使用`predict.sh`，该脚本将输出预测分类的标签： @@ -197,10 +196,10 @@ python prediction.py $model $image $use_gpu 一个卷积神经网络包含如下层： -- 卷基层：通过卷积操作从图片或特征图中提取特征 -- 池化层：使用max-pooling方式进行特征压缩 -- 全连接层：使用全连接，从特征中生成分类结果 +- 卷积层：通过卷积操作从图片或特征图中提取特征 +- 池化层：使用max-pooling对特征图下采样 +- 全连接层：使输入层到隐藏层的神经元是全部连接的。 -卷积神经网络在图片分类上有着优异的表现，这是因为它发掘出了图片的两类重要信息：局部关联性质和空间不变性质。通过交替使用卷基和池化处理，卷积神经网络能够使得图片的这两类信息稳定地得到保持 +卷积神经网络在图片分类上有着惊人的性能，这是因为它发掘出了图片的两类重要信息：局部关联性质和空间不变性质。通过交替使用卷积和池化处理， 卷积神经网络能够很好的表示这两类信息。 -关于如何定义网络中的层，以及如何在层之间进行连接，请参考文档中关于网络层的相关内容。 +关于如何定义网络中的层，以及如何在层之间进行连接，请参考Layer文档。 -- GitLab