建立CNN网络模型后，接下来在训练集中训练模型。
以下是这次构建“美食分类”深度学习代码时使用的培训部分的代码。
# CNN网络构建完成后，模型培训print (train _ parameters [ ' class _ dim ' ] ) print ) train_parameters['label_dict'] ' ) optimizer=paddle.optimizer.Adam (learning _ rate=train _ parameters [ ' learning _ strategy ' parameters=model.parameters () ) forepoch_numinrange ) train_parameters['num_epochs'] ) : for batch _ id datain enumerate (train _ reader () ) :x_data=NP.array ) [item[0]foritemindata， dtype='float32 ' ).rrray 64 ) x_data=paddle.to_tensor(x_data，dtype='float32 '， 将place=paddle.CUDAPinnedPlace () numpy.array数据转换为tensorxhdhhy _ data=NP.array ([ item [1] foritemindata ) )， data ) )1)将元组转换为numpy.arrayy _ data=paddle.to _ tensor (y _ data，dtype='int64 '， 要转换为place=paddle.CUDAPinnedPlace ) )的type(y_data )、##print )、x _ data (x _ data )、predicts=预测值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_id3360 (，lossis3360 ) ) } batch_id acc.numpy ) ) ) optimizer.clear_grad ) )通过之前设计的数据读取器train_reader，但导入的数据为http://www.sision 中对paddle.nn.Conv2D和池层的描述，输入数据为元组类型，因此使用需要在后面转换元组的paddle进行编号对于内部参数，tensor，xhdhh，表示将转换后的内容保存在GPU设备中，理解为采用GPU环境
这种网络输出的预测值paddle.to_tensor的类型也是tensorxhdhh，在阅读有关精度和丢失函数计算的paddle API文档时，要求输入的参数数据的类型匹配
loss=fun.cross _ entropy (predicts，y_data ) ACC=paddle.metric.accuracy (predicts，y_data )即predicts和y