呼延灼举荐了百胜将韩滔和天目将彭玘做先锋。
两军对战，韩滔和秦明斗二十回合，呼延灼与林冲斗在一起，花荣与彭玘斗在一处，后彭玘与一丈青扈三娘斗在一起，被扈三娘抓住。
尽管梁山占优，宋江也没有乘胜追击，因为呼延灼带的是连环马，马带马甲，人披铁铠，射箭都不顶用。打完后，宋江亲自给彭玘解绑，送到大寨。
第二天呼延灼又列出连环马冲杀，宋江被李逵护着逃到水边，被李俊、张横、张顺、三阮接到战船上才逃脱。小兵折损大半，幸好头领们都还在。山下的四间酒店也被官兵拆了。大家一点办法也没有，晁盖只好下令严防死守。宋江不肯上山，亲自坐镇鸭嘴滩。
宋江很多事还是亲历亲为的，怪不得大家都服他！ 人工智能，也需要亲自实践一下才行！
AI通过构建并训练CNN网络来进行飞机识别
在星河社区2019年的培训课程中，有一节课程是通过构建并训练CNN网络来进行飞机识别。课程中有一项作业，是通过各种方法增加准确率。这门课程主要面向初学者，所以增加准确率的方法主要是调整神经网络的深度和channel值，方法很简单，但是确实非常有助于初学者对神经网络的理解。
项目地址：7天入门深度学习 d2 作业飞机识别 - 飞桨AI Studio星河社区
直接点击，然后fork执行即可。
网络结构如图：
因为需要飞桨1.6.2环境和相关数据集，所以下面的代码只能展示：
# 导入依赖包 import sys import numpy as np # import lr_utils import matplotlib.pyplot as plt import paddle import paddle.fluid as fluid %matplotlib inline # 加载数据, 并展示一张，由于数据图片较小，所以显示出来比较模糊 train_set_x_orig=np.load("data/data1589/traindata.npy") train_set_y=np.load("data/data1589/trainlabel.npy") test_set_x_orig=np.load("data/data1589/testdata.npy") test_set_y=np.load("data/data1589/testlabel.npy") plt.imshow(train_set_x_orig[2]) plt.show() # 输出数据集的信息 m_train=train_set_x_orig.shape[0] m_test=test_set_x_orig.shape[0] num_px=train_set_x_orig.shape[1] print ("训练样本数: m_train = " + str(m_train)) print ("测试样本数: m_test = " + str(m_test)) print ("图片高度/宽度: num_px = " + str(num_px)) print ("图片大小: (" + str(num_px) + ", " + str(num_px) + ", 3)") print ("train_set_x shape: " + str(train_set_x_orig.shape)) print ("train_set_y shape: " + str(train_set_y.shape)) print ("test_set_x shape: " + str(test_set_x_orig.shape)) print ("test_set_y shape: " + str(test_set_y.shape)) ###因为paddlepaddle认识的数据是3*l*h的，所以需要进行数据格式转换 train_set_x = np.array(train_set_x_orig).reshape(m_train, 3, num_px, num_px).astype(np.float32) train_set_y = np.array(train_set_y).reshape(m_train, 1).astype(np.float32) test_set_x = np.array(test_set_x_orig).reshape(m_test, 3, num_px, num_px).astype(np.float32) test_set_y = np.array(test_set_y).reshape(m_test, 1).astype(np.float32) #归一化 train_set_x=train_set_x/ 255.0 * 2.0 - 1.0 test_set_x=test_set_x/ 255.0 * 2.0 - 1.0 # 读取训练数据或测试数据 def read_data(train_set_x,train_set_y,buffer_size): def reader(): for i in range(buffer_size): yield train_set_x[i,:], int(train_set_y[i]) return reader def convolutional_neural_network(): """ 定义卷积神经网络分类器： 输入的二维图像，经过两个卷积-池化层，使用以softmax为激活函数的全连接层作为输出层 Args: img -- 输入的原始图像数据 Return: predict -- 分类的结果 """ img = fluid.layers.data( name='img', shape =[3,32,32],dtype = 'float32') #多加了一个卷积池化层，最后加了drop，以提高准确率，降低过拟合 # droped = fluid.layers.dropout(img,dropout_prob=1) #第一个卷积层 # hidden = fluid.nets.simple_img_conv_pool(input, num_filters, filter_size, pool_size, pool_stride, pool_padding=0) hidden=fluid.nets.simple_img_conv_pool( input=img, num_filters=250, filter_size=9, pool_size=1, pool_stride=1, pool_padding=0 ) #（50 10 5 1 0） #第二个卷积层 # drop1 = fluid.layers.dropout(hidden,dropout_prob=0.2) h2=fluid.nets.simple_img_conv_pool( input=hidden, num_filters=150, filter_size=5, pool_size=1, pool_stride=1, pool_padding=0 ) h3=fluid.nets.simple_img_conv_pool( input=h2, num_filters=150, filter_size=3, pool_size=2, pool_stride=1, pool_padding=0 ) #（50 3 2 1 0） drop1 = fluid.layers.dropout(h3,dropout_prob=0.3) # predict = fluid.layers.fc(h2,size=1,act='sigmoid') predict = fluid.layers.fc(drop1,size=2,act='softmax') #softmax return predict #配置网络结构 def train_func(): label = fluid.layers.data(name='label', shape = [1],dtype = 'int64') predict = convolutional_neural_network() # 损失函数，cross_entropy 函数内部使用交叉熵损失函数 cost = fluid.layers.cross_entropy(input=predict, label=label) avg_cost = fluid.layers.mean(cost) return avg_cost def optimizer_func(): # 创建Momentum优化器，并设置学习率(learning_rate)、动量(momentum) optimizer=fluid.optimizer.Momentum(learning_rate=0.0001,momentum=0.5) #optimizer=fluid.optimizer.Adam(learning_rate=0.001,momentum=0.5) return optimizer feed_order = ['img', 'label'] #数据格式 params_dirname = "./DNN_model" #模型保存路径 # 事件处理函数 from paddle.utils.plot import Ploter from paddle.fluid.contrib.trainer import EndStepEvent train_title = "Train cost" test_title = "Test cost" plot_cost = Ploter(train_title, test_title) step = 0 def event_handler_plot(event): global step if isinstance(event, EndStepEvent): if event.step % 2 == 0: # 若干个batch,记录cost if event.metrics[0] < 10: plot_cost.append(train_title, step, event.metrics[0]) plot_cost.plot() if event.step % 20 == 0: # 若干个batch,记录cost test_metrics = trainer.test( reader=test_reader, feed_order=feed_order) if test_metrics[0] < 10: plot_cost.append(test_title, step, test_metrics[0]) plot_cost.plot() # if test_metrics[0] < 1.0: # # 如果准确率达到阈值，则停止训练 # print('loss is less than 10.0, stop') # trainer.stop() if test_metrics[0] < 0.001: # 如果准确率达到阈值，则停止训练 print('loss is less than 10.0, stop') trainer.stop() # 将参数存储，用于预测使用 if params_dirname is not None: trainer.save_params(params_dirname ) step += 1 #训练所用到的具体数据 #主要是增加了训练量，从209提高到5800 BATCH_SIZE=128 # 设置训练reader train_reader = paddle.batch( paddle.reader.shuffle( read_data(train_set_x,train_set_y,buffer_size=5880), #buff原来是209 buf_size=50),#buf原来是50 batch_size=BATCH_SIZE) # 设置测试reader test_reader = paddle.batch( paddle.reader.shuffle( read_data(test_set_x,test_set_y,buffer_size=2000), buf_size=20),#buf原来是20 batch_size=BATCH_SIZE) #创建训练器 from paddle.fluid.contrib.trainer import Trainer trainer= Trainer( train_func= train_func, place= place, optimizer_func= optimizer_func ) #开始训练 trainer.train( reader=train_reader, num_epochs=60 ,#num 30 event_handler=event_handler_plot, feed_order= feed_order ) from paddle.fluid.contrib.inferencer import Inferencer inferencer = Inferencer( infer_func=convolutional_neural_network, param_path=params_dirname, place=place) #取出一个 mini-batch for mini_batch in test_reader(): # 转化为 numpy 的 ndarray 结构，并且设置数据类型 test_x = np.array([data[0] for data in mini_batch]).astype("float32") test_y = np.array([data[1] for data in mini_batch]).astype("int64") # 真实进行预测 mini_batch_result = inferencer.infer({'img': test_x}) result=(mini_batch_result[0][:,-1]>0.5)+0 #True or False 转0/1，直接后面+0即可 # 打印预测结果 # mini_batch_result = np.argsort(mini_batch_result) #找出可能性最大的列标，升序排列, ###经过分析，这是多分类问题会用到的函数，找出概率值最大的下标 # mini_batch_result = mini_batch_result[0][:, -1] #把这些列标拿出来 print('预测结果：%s'%result) # 打印真实结果 label = np.array(test_y) # 转化为 label print('真实结果：%s'%label) break # 查看百分比 def right_ratio(right_counter, total): ratio = float(right_counter)/total return ratio # 评估函数 data_set 是一个reader def evl(data_set): total = 0 #操作的元素的总数 right_counter = 0 #正确的元素 pass_num = 0 # print(liruoyi) for mini_batch in data_set(): pass_num += 1 #预测 test_x = np.array([data[0] for data in mini_batch]).astype("float32") test_y = np.array([data[1] for data in mini_batch]).astype("int64") mini_batch_result = inferencer.infer({'img': test_x}) mini_batch_result=(mini_batch_result[0][:,-1]>0.5)+0 #True or False 转0/1，直接后面+0即可 #预测的结果 # mini_batch_result = np.argsort(mini_batch_result) #找出可能性最大的列标，升序排列 # mini_batch_result = mini_batch_result[0][:, -1]+0 #把这些列标拿出来 #print('预测结果：%s'%result) label = np.array(test_y) # 转化为 label # print('真实结果：%s'%label) #计数 label_len = len(label) total += label_len for i in range(label_len): if mini_batch_result[i] == label[i]: right_counter += 1 ratio = right_ratio(right_counter, total) return ratio ratio = evl(train_reader) print('训练数据的正确率 %0.2f%%'%(ratio*100)) ratio = evl(test_reader) print('预测数据的正确率 %0.2f%%'%(ratio*100))提高准确率的方法就是改变卷积的大小和深度。比如原来的卷积大小是10和5 ，深度是两层，最终试出来的卷积大小是9、5和3，深度是三层。这也是为什么有人问某某模型为什么参数是xxx，我会回答“作者试出来”的原因，因为理论只是指导，最终大多数模型的参数都是通过实践试出来的，哪个最好，论文里就写哪个。
大家也可以去修改试试。当然卷积网络还需要注意最终全连接层的参数对应，这个在实践中特别容易出问题，多练练就好了。
呼延灼从东京汴梁请来了轰天雷凌振。凌振的炮威力很大，晁盖派了水路六个头领去捉拿凌振，把他也请上了山。
大家商量破连环马的计策，金钱豹子汤隆说我有一个计策。需要一个兵器和我的一个哥哥，可以破连环马。
欲知后事如何，且听下回分解。
