Paddle平台中搭建CNN模型，在训练模型中采用tensor类型

在构建好CNN网络模型之后，接下来便是通过训练集来对模型进行训练：

下面是这次搭建“”美食分类”深度学习代码中，所用到的训练部分的代码：

# CNN网络组建完毕之后，开始进行模型训练


print(train_parameters['class_dim'])
print(train_parameters['label_dict'])

model = CNN()
optimizer = paddle.optimizer.Adam(learning_rate = train_parameters['learning_strategy']['lr'],
                                  parameters = model.parameters())

for epoch_num in range (train_parameters['num_epochs']):
    for batch_id, data in enumerate(train_reader()):

        x_data = np.array([item[0] for item in data], dtype='float32').reshape(-1, 3, 64, 64)

        x_data = paddle.to_tensor(x_data, dtype = 'float32', place=paddle.CUDAPinnedPlace())      # 将numpy.array数据转换成tensor张量

        y_data = np.array([item[1] for item in data], dtype='int64').reshape(-1, 1) # 将元组转换成numpy.array
        
        y_data = paddle.to_tensor(y_data, dtype = 'int64', place=paddle.CUDAPinnedPlace())

        #print("y的数据类型： ", type(y_data))
        #print("x_data的数据类型：", type(x_data))
        predicts = model(x_data)
        #print("预测值的数据类型： ", type(predicts), "\n", "predicts内容： ", predicts)
        loss = fun.cross_entropy(predicts, y_data)
        acc = paddle.metric.accuracy(predicts, y_data)
        loss.backward()
        if batch_id % 1 == 0:
            print("epoch: {}, batch_id: {}, loss is: {}, acc is: {}".format(epoch_num, batch_id, loss.numpy(), acc.numpy()))
        optimizer.step()
        optimizer.clear_grad()

通过前面设计的数据读取器，train_reader来读取训练集中的数据，然后可知data[0]是数据，data[1]是训练图片所对应的标签，但是在读取出来的数据是元组类型，而对于paddle中对paddle.nn.Conv2D以及池化层的描述，输入的数据应该是tensor，张量，因此在后续将元组转换成numpy.array之后，采用paddle.to_tensor将numpy.array转换成张量，对于paddle.to_tensor内部的参量，place=paddle.CUDAPinnedPlace()代表将转换后的存放于GPU设备，我理解就是采用GPU环境进行训练。

这样网络输出的预测值presicts的类型也为tensor张量，阅读paddle关于计算准确率以及损失函数的API文档，是要求输入的参数数据类型一致：

loss = fun.cross_entropy(predicts, y_data)
acc = paddle.metric.accuracy(predicts, y_data)

也就是predicts 以及 y_data的数据类型一致，因此我们需要同样将训练集图片读取的标签转换为tensor类型。