飞桨 百度架构师手把手带你零基础实践深度学习21天 学习笔记——使用飞桨重写波士顿房价预测模型
使用飞桨书写模型的时候,流程与前面介绍的是一摸一样的。
下面开始总结一下如何使用飞桨写模型
加载飞桨库
主库:paddle/fluid
动态图类库:digraph(便于调试)
静态图模式(声明式编程范式,类比C++) | 动态图模式 (命令式编程范式,类比Python) |
---|---|
先编译后执行的方式。用户需预先定义完整的网络结构,再对网络结构进行编译优化后,才能执行获得计算结果。 | 解析式的执行方式。用户无需预先定义完整的网络结构,每写一行网络代码,即可同时获得计算结果。 |
全连接层:Linear(可激活指定性函数)
数据处理
此部分包括数据导入、修改格式、分为训练测试集、数据归一化处理。
在飞桨中书写与前面完全一致。
模型设计
实质为定义线性回归的结构。
需要用到两种函数,init函数和forward函数。
init | forward |
---|---|
在类的初始化函数中声明每一层网络的实现函数。 | 构建神经网络结构,实现前向计算过程,并返回预测结果。 |
注:我们这里不使用激活函数
训练配置
-
定义工作环境
-
定义模型(有训练和预测状态)
模型实例有两种状态:训练状态.train()和预测状态.eval()。训练时要执行正向计算和反向传播梯度两个过程,而预测时只需要执行正向计算。为模型指定运行状态,有两点原因:
(1)部分高级的算子(例如Drop out和Batch Normalization,在计算机视觉的章节会详细介绍)在两个状态执行的逻辑不同。
(2)从性能和存储空间的考虑,预测状态时更节省内存,性能更好。 -
开启训练模式
-
读取数据
-
定义优化算法SDG,定义学习率0.01
-
开始训练
双层循环+四个步骤
(先将数据格式写为numpy.array格式) -
保存模型
先保存,加载,再进行测试。因为模型可以应用到不同的场景。 -
加载模型,进行预测
(1)生产模型实例,配置资源。
(2)加载模型参数,设置模型状态为“eval”(因为预测时,不需要反向传播梯度)
(3)调用模型,打印预测值与真实值
总结:编写成本大降低
感悟:飞桨提供了一个深度学习框架,可以达到事半功倍的效果。学习这一章之后其实我能够发现代码编写过程大大的减少了,但是飞桨的一些函数的定义与调用还没有特别的清楚,在init函数和forward函数的定义上还是不够理解,需要在接下来的学习过程中,去更好的理解和了解。
下面书写一下使用飞桨重写波士顿房价预测模型
直接使用python的案例在这里:完整步骤
#加载飞桨、Numpy和相关类库 import paddle import paddle.fluid as fluid import paddle.fluid.dygraph as dygraph from paddle.fluid.dygraph import Linear import numpy as np import os import random #数据处理,此部分与前面的完全一致,飞桨的优化主要在模型设计和训练配置上 def load_data(): # 从文件导入数据 datafile = './work/housing.data' data = np.fromfile(datafile, sep=' ') # 每条数据包括14项,其中前面13项是影响因素,第14项是相应的房屋价格中位数 feature_names = [ 'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', \ 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV' ] feature_num = len(feature_names) # 将原始数据进行Reshape,变成[N, 14]这样的形状 data = data.reshape([data.shape[0] // feature_num, feature_num]) # 将原数据集拆分成训练集和测试集 # 这里使用80%的数据做训练,20%的数据做测试 # 测试集和训练集必须是没有交集的 ratio = 0.8 offset = int(data.shape[0] * ratio) training_data = data[:offset] # 计算train数据集的最大值,最小值,平均值 maximums, minimums, avgs = training_data.max(axis=0), training_data.min(axis=0), \ training_data.sum(axis=0) / training_data.shape[0] # 记录数据的归一化参数,在预测时对数据做归一化 global max_values global min_values global avg_values max_values = maximums min_values = minimums avg_values = avgs # 对数据进行归一化处理 for i in range(feature_num): #print(maximums[i], minimums[i], avgs[i]) data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i]) # 训练集和测试集的划分比例 #ratio = 0.8 #offset = int(data.shape[0] * ratio) training_data = data[:offset] test_data = data[offset:] return training_data, test_data #定义线性回归模型 class Regressor(fluid.dygraph.Layer): def __init__(self): super(Regressor, self).__init__() #调用父类的函数init # 定义一层全连接层,输出维度是1,激活函数为None,即不使用激活函数 self.fc = Linear(input_dim=13, output_dim=1, act=None) # 网络的前向计算函数 def forward(self, inputs): x = self.fc(inputs) return x # 定义飞桨动态图的工作环境 with fluid.dygraph.guard(): # 声明定义好的线性回归模型 model = Regressor() # 开启模型训练模式 model.train() # 加载数据 training_data, test_data = load_data() # 定义优化算法,这里使用随机梯度下降-SGD # 学习率设置为0.01 opt = fluid.optimizer.SGD(learning_rate=0.01, parameter_list=model.parameters()) with dygraph.guard(fluid.CPUPlace()): EPOCH_NUM = 10 # 设置外层循环次数 BATCH_SIZE = 10 # 设置batch大小 # 定义外层循环 for epoch_id in range(EPOCH_NUM): # 在每轮迭代开始之前,将训练数据的顺序随机的打乱 np.random.shuffle(training_data) # 将训练数据进行拆分,每个batch包含10条数据 mini_batches = [training_data[k:k+BATCH_SIZE] for k in range(0, len(training_data), BATCH_SIZE)] # 定义内层循环 for iter_id, mini_batch in enumerate(mini_batches): x = np.array(mini_batch[:, :-1]).astype('float32') # 获得当前批次训练数据 y = np.array(mini_batch[:, -1:]).astype('float32') # 获得当前批次训练标签(真实房价) # 将numpy数据转为飞桨动态图variable形式 house_features = dygraph.to_variable(x) prices = dygraph.to_variable(y) # 前向计算 predicts = model(house_features) # 计算损失 loss = fluid.layers.square_error_cost(predicts, label=prices) avg_loss = fluid.layers.mean(loss) if iter_id%20==0: print("epoch: {}, iter: {}, loss is: {}".format(epoch_id, iter_id, avg_loss.numpy())) # 反向传播 avg_loss.backward() # 最小化loss,更新参数 opt.minimize(avg_loss) # 清除梯度 model.clear_gradients() # 保存模型 fluid.save_dygraph(model.state_dict(), 'LR_model') # 定义飞桨动态图工作环境 with fluid.dygraph.guard(): # 保存模型参数,文件名为LR_model fluid.save_dygraph(model.state_dict(), 'LR_model') print("模型保存成功,模型参数保存在LR_model中") #测试模型 def load_one_example(data_dir): f = open(data_dir, 'r') datas = f.readlines() # 选择倒数第10条数据用于测试 tmp = datas[-10] tmp = tmp.strip().split() one_data = [float(v) for v in tmp] # 对数据进行归一化处理 for i in range(len(one_data)-1): one_data[i] = (one_data[i] - avg_values[i]) / (max_values[i] - min_values[i]) data = np.reshape(np.array(one_data[:-1]), [1, -1]).astype(np.float32) label = one_data[-1] return data, label with dygraph.guard(): # 参数为保存模型参数的文件地址 model_dict, _ = fluid.load_dygraph('LR_model') model.load_dict(model_dict) model.eval() # 参数为数据集的文件地址 test_data, label = load_one_example('./work/housing.data') # 将数据转为动态图的variable格式 test_data = dygraph.to_variable(test_data) results = model(test_data) # 对结果做反归一化处理 results = results * (max_values[-1] - min_values[-1]) + avg_values[-1] print("Inference result is {}, the corresponding label is {}".format(results.numpy(), label))
- 2使用Python语言和Numpy库来构建神经网络模型-波士顿房价预测任务实战案例(百度架构师手把手带你零基础实践深度学习原版笔记系列)
- PaddlePaddle-百度架构师手把手带你零基础实践深度学习-笔记01(代码详解)
- PaddlePaddle-百度架构师手把手带你零基础实践深度学习-笔记02(代码详解)
- 飞桨百度架构师手把手带你零基础实践深度学习——手写数字识别损失函数的优化
- 飞桨PaddlePaddle百度架构师手把手带你零基础实践深度学习 第一周心得
- 飞桨百度架构师手把手带你零基础实践深度学习——手写数字识别 资源配置
- 飞桨百度架构师手把手带你零基础实践深度学习——手写数字识别训练调试与优化
- 1机器学习和深度学习综述(百度架构师手把手带你零基础实践深度学习原版笔记系列)
- 飞桨百度架构师手把手带你零基础实践深度学习——手写数字识别网络结构的优化
- 使用Python和Numpy进行波士顿房价预测任务(二)【深度学习入门_学习笔记】
- 使用Python和Numpy进行波士顿房价预测任务(一)【深度学习入门_学习笔记】
- 使用飞桨构建波士顿房价预测模型
- 使用三种继承回归模型对美国波士顿房价训练数据进行学习,并对测试数据进行预测
- 直播提醒 | 「百度架构师手把手带你实践深度学习」开课啦!
- 深度学习笔记之使用Faster-Rcnn进行目标检测 (实践篇)
- 使用skflow内置的LR,DNN,Scikit-learn中的集成回归模型对“美国波士顿房价”进行预测
- 深度学习笔记之使用Faster-Rcnn进行目标检测 (实践篇)
- TensorFlow学习实践(三):使用TFRecord格式数据和tf.estimator API进行模型训练和预测
- 百度飞桨世界冠军带你从零实践强化学习 -- 大作业心得笔记
- 最易懂深度学习3:波士顿房价预测(2)