PaddlePaddle最菜程序员的飞桨之旅—三岁

大家好，这里是大家熟悉的三岁，眨眼间又到了年尾，一年中冲KPI的时间到了，借着这个机会再来 水一篇博客，谈谈自己和paddle的相识相知与相互学习。

个人介绍
我是三岁，一个代码界的小白，由于各种原因，代码路不顺，学习时间短，从去年开始自学python，看了嵩天老师的慕课视频，但是一直是C语言的思考模式，有点无法接受，一直耽搁着。一眨眼到了年初，对python的痴迷让我继续寻找着视频，不停学习，敲代码。接触了博客，逐渐开始了，写博客的旅程，自己会的，自己的理解都放到了博客上，就在这时看到了一则推文，从此踏上了一条“不归之路”

结缘之路

短短一段话，句句戳心房！
小白也可以学深度学习，了解人工智能？？？
几行代码就可以实现人工智能？？？
看看我现在的水平怎么样！走！！！

一个错误的决定打开了我与paddle的认识之路

逐步的对深度学习的认识，对AI Studio平台的逐步了解

看着前期的课程与深度学习毫不相干，但是到最后才发现那些都是基础，为后期的课程做好了坚实的基础。直到PaddleHub的出现改变了我对这些的看法。

# 安装paddlehub
!pip install paddlehub==1.6.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
# 安装口罩检测模型
!hub install pyramidbox_lite_mobile_mask==1.1.0
# 进行识别
!hub run pyramidbox_lite_mobile_mask --input_path "data/data31681/901.jpg"

import matplotlib.pyplot as plt 
import matplotlib.image as mpimg 
test_img_path = "data/data31681/test.jpeg"
img = mpimg.imread(test_img_path) 

# 展示待预测图片
plt.figure(figsize=(10,10))
plt.imshow(img) 
plt.axis('off') 
plt.show()

# 预测结果展示
test_img_path = "./detection_result/test.jpeg"
img = mpimg.imread(test_img_path)

# 展示预测结果图片
plt.figure(figsize=(10,10))
plt.imshow(img) 
plt.axis('off') 
plt.show()

短短的几行代码（不不不就一行命令就把结果显现了）仔细一看这个是linux代码不是python的，经过文档查看也就是几行的事情。

import paddlehub as hub
import cv2

module = hub.Module(name="pyramidbox_lite_mobile_mask")

test_img_path = "data/data31681/test.jpeg"

# set input dict
input_dict = {"data": [cv2.imread(test_img_path)]}
results = module.face_detection(data=input_dict)
print(results)

[2020-04-25 09:37:05,353] [    INFO] - Installing pyramidbox_lite_mobile_mask module
[2020-04-25 09:37:05,383] [    INFO] - Module pyramidbox_lite_mobile_mask already installed in /home/aistudio/.paddlehub/modules/pyramidbox_lite_mobile_mask
[2020-04-25 09:37:05,506] [    INFO] - Installing pyramidbox_lite_mobile module-1.1.0
Downloading pyramidbox_lite_mobile
[==================================================] 100.00%
Uncompress /home/aistudio/.paddlehub/tmp/tmpt3rs1qq6/pyramidbox_lite_mobile
[==================================================] 100.00%
[2020-04-25 09:37:06,400] [    INFO] - Successfully installed pyramidbox_lite_mobile-1.1.0
[2020-04-25 09:37:06,568] [    INFO] - 133 pretrained paramaters loaded by PaddleHub
[2020-04-25 09:37:06,615] [    INFO] - 0 pretrained paramaters loaded by PaddleHub
[{'data': {'label': 'MASK', 'left': 678.9846324920654, 'right': 893.2966804504395, 'top': 241.9092297554016, 'bottom': 487.231333732605, 'confidence': 0.9711812}, 'id': 1}]

看到’label’: ‘MASK’，恍然大悟这就是有戴口罩的啊！

短短的几行，不经让我一个见识短浅的小白一脸迷茫，人工智能真这么简单便捷？？？

直到自己实践了项目——五人识别：

第一次接触到了，训练集、测试集、验证集（6:2:2），第一次知道了acc和loss还有epoch等专业名词及其的作用。
第一次知道CPU和GPU的不同区别

第一次……

万万没想到第一次认识那么简单
第一次以为人工智能如此简单，第一次认为自己又双叒叕可以了，直到接触到了强化学习——世界冠军带你从零实践，发现自己的身影的卑微。

进一步了解
从深度学习的基本理论，到所需要的数学基础，从PARL强化学习到
迷宫游戏，四轴飞行器的实际操作，在代码和虚拟环境中学习提高
小小的游戏，无不让头顶一凉，寒冬的冷风犹如凛冽的刀片从闪闪发光的头顶飘过，不禁瑟瑟发抖。
作为代码人，我们有代码魂，我们要默默的敲代码然后惊艳我们自己。

Model
分别搭建Actor、Critic的Model结构，构建QuadrotorModel。

class ActorModel(parl.Model):
    def __init__(self, act_dim):
        hid_size = 100

        self.fc1 = layers.fc(size=hid_size, act='relu')
        self.fc2 = layers.fc(size=act_dim, act='tanh')

    def policy(self, obs):
        hid = self.fc1(obs)
        logits = self.fc2(hid)
        return logits


class CriticModel(parl.Model):
    def __init__(self):
        hid_size = 100

        self.fc1 = layers.fc(size=hid_size, act='relu')
        self.fc2 = layers.fc(size=1, act=None)

    def value(self, obs, act):
        concat = layers.concat([obs, act], axis=1)
        hid = self.fc1(concat)
        Q = self.fc2(hid)
        Q = layers.squeeze(Q, axes=[1])
        return Q

# 创建飞行器环境
env = make_env("Quadrotor", task="hovering_control")
env.reset()
obs_dim = env.observation_space.shape[0]
act_dim = env.action_space.shape[0]


# 根据parl框架构建agent
model = QuadrotorModel(act_dim) # Model(act_dim)
algorithm = DDPG(
    model, gamma=GAMMA, tau=TAU, actor_lr=ACTOR_LR, critic_lr=CRITIC_LR)
agent = QuadrotorAgent(algorithm, obs_dim, act_dim) 


# parl库也为DDPG算法内置了ReplayMemory，可直接从 parl.utils 引入使用
rpm = ReplayMemory(int(MEMORY_SIZE), obs_dim, act_dim)


# 7. 请选择你训练的最好的一次模型文件做评估
ckpt = 'model_dir/steps_700320.ckpt'  # 请设置ckpt为你训练中效果最好的一次评估保存的模型文件名称

agent.restore(ckpt)
evaluate_reward = evaluate(env, agent)
logger.info('Evaluate reward: {}'.format(evaluate_reward)) # 打印评估的reward

短短的代码，磨光了头皮，无不让小白瑟瑟发抖，多少次似曾想要放弃，但是作为代码人哪有放弃的道理。日日夜夜，在哪个即将截止的夜晚终于克服了报错，获得了一个较好的结果，再次化身调参小白，随机调参。

不断的相互认知
在不断的学习与提高中，相互学习，渐渐的接触中知道了paddle的范围，知道了paddleHub和paddle的区别，paddlex，EasyDL等等产品不断迭代更新，PaddlePaddle2.0也即将问世，又是可以重头开始学习，不断提高的一个好机会。

总结——肺腑之言
虽然我是一个不起眼的小白，在这些领域没有太多的涉猎和造诣，但是我认为我们作为新时代的青年，应该支持我们的国产框架，我们的成长不断促使paddle的成长。我们的需求也是paddle的发展方向，虽然目前我们的框架没有国外的一些框架那么的完善，但是我们的进步与发展以及和他们没有太大的差异了，所以我们要继续努力，不断前进，从我这个小白做起。

Paddle一个小白也可以简单学会的深度学习框架
加油吧！这里是三岁，让我们乘风破浪继续前进，2021Paddle会更好！！！