广州网捷网站建设技术有限公司,logo设计理念简短范文,天津seo顾问,html编辑器安卓版下载你将学会#xff1a; 机器学习的基本概念#xff1a;假设函数、损失函数、优化算法数据怎么进行归一化处理paddlepaddle深度学习框架的一些基本知识如何用paddlepaddle深度学习框架搭建全连接神经网络参考资料#xff1a;https://www.paddlepaddle.org.cn/documentation/doc… 你将学会 机器学习的基本概念假设函数、损失函数、优化算法数据怎么进行归一化处理paddlepaddle深度学习框架的一些基本知识如何用paddlepaddle深度学习框架搭建全连接神经网络参考资料https://www.paddlepaddle.org.cn/documentation/docs/zh/1.0/beginners_guide/quick_start/fit_a_line/README.cn.html 目录
1 - 线性回归的基本概念
2 - 训练阶段
2.1 - 引用库
2.2 - 数据
2.3 - 配置网络结构和设置参数
2.4 - 定义损失函数
2.5 - 优化方法
2.6 - 设置训练场所创建执行器参数初始化
2.7 - 开始训练
3 - 预测阶段 1 - 线性回归的基本概念
在线性回归中有几个基本的概念需要掌握 假设函数Hypothesis Function损失函数Loss Function优化算法Optimization Algorithm假设函数
假设函数是指用数学的方法描述自变量和因变量之间的关系它们之间可以是一个线性函数或非线性函数。 在本次线性回顾模型中假设函数为 其中表示模型的预测结果预测房价用来和真实的Y区分。模型要学习的参数即a,b。
损失函数
损失函数是指用数学的方法衡量假设函数预测结果与真实值之间的误差。这个差距越小预测越准确而算法的任务就是使这个差距越来越小。立模型后我们需要给模型一个优化目标使得学到的参数能够让预测值尽可能地接近真实值Y。输入任意一个数据样本的目标值和模型给出的预测值,损失函数输出一个非负的实值。这个实值通常用来反映模型误差的大小。对于线性模型来讲最常用的损失函数就是均方误差Mean Squared Error MSE。 优化算法
在模型训练中优化算法也是至关重要的它决定了一个模型的精度和运算速度。本章的线性回归实例中主要使用了梯度下降法进行优化。 2 - 训练阶段
2.1 - 引用库
首先载入需要用到的库它们分别是 paddle.fluid引入PaddlePaddle深度学习框架的fluid版本库 numpyNumPy是Python语言的一个扩展程序库。支持高端大量的维度数组与矩阵运算此外也针对数组运算提供大量的数学函数库。NumPy的核心功能是ndarray(即n-dimensional array多维数组)数据结构。 os: python的模块可使用该模块对操作系统、目录、文件等进行操作。 matplotlib.pyplot用于生成图在验证模型准确率和展示成本变化趋势时会使用到。 import paddle
import paddle.fluid as fluid
import numpy as np
import os
import matplotlib.pyplot as plt
2.2 - 数据
BUF_SIZE500
BATCH_SIZE20#用于训练的数据提供器每次从缓存中随机读取批次大小的数据
train_reader paddle.batch(paddle.reader.shuffle(paddle.dataset.uci_housing.train(), buf_sizeBUF_SIZE), batch_sizeBATCH_SIZE) #用于测试的数据提供器每次从缓存中随机读取批次大小的数据
test_reader paddle.batch(paddle.reader.shuffle(paddle.dataset.uci_housing.test(),buf_sizeBUF_SIZE),batch_sizeBATCH_SIZE)
2.3 - 配置网络结构和设置参数
配置网络结构:
线性回归的模型其实就是一个采用线性激活函数linear activation的全连接层fully-connected layerfc_layer因此在Paddlepaddle中利用全连接层模型构造线性回归这样一个全连接层就可以看做是一个简单的神经网络只包含输入层和输出层即可。本次的模型由于只有一个影响参数因此输入只含一个。 输入层: 用 x fluid.layers.data(namex, shape[13], dtypefloat32)来表示数据的一个输入层其中name属性的名称为x数据的shape为13维向量本次所用的房价数据集的每条数据有13个属性所以shape13。 输出层: 用y_predict fluid.layers.fc(inputx, size1, actNone)来表示输出层其中paddle.layer.fc表示全连接层inputx表示该层输入数据为xsize1表示该层有一个神经元在Fluid版本中使用的激活函数不再是调用一个函数了而是传入一个字符串就可以比如actrelu就表示使用relu激活函数。actNone表示激活函数为线性激活函数。 标签层: 用y fluid.layers.data(namey, shape[1], dtypefloat32)来表示标签数据名称为y有时我们名称不用y而用label。数据类型为一维向量。 #定义张量变量x表示13维的特征值
x fluid.layers.data(namex, shape[13], dtypefloat32)
#定义张量y,表示目标值
y fluid.layers.data(namey, shape[1], dtypefloat32)
#定义一个简单的线性网络,连接输入和输出的全连接层
#input:输入tensor;
#size:该层输出单元的数目
#act:激活函数
y_predictfluid.layers.fc(inputx,size1,actNone)
2.4 - 定义损失函数 PaddlePaddle提供了很多的损失函数的接口比如交叉熵损失函数(cross_entropy)。本项目是一个线性回归任务所以使用的是均方差损失函数。可以调用fluid.layers.square_error_cost(input ,laybel )实现方差计算。因为fluid.layers.square_error_cost(input ,laybel )求的是一个Batch的损失值所以还要通过调用fluid.layers.mean(loss)对方差求平均。 将输入定义为 房价预测值label定义为 标签数据。进而计算损失值。 cost fluid.layers.square_error_cost(inputy_predict, labely) #求一个batch的损失值
avg_cost fluid.layers.mean(cost) #对损失值求平均值
2.5 - 优化方法
损失函数定义确定后需要定义参数优化方法。为了改善模型的训练速度以及效果学术界先后提出了很多优化算法包括 Momentum、RMSProp、Adam 等已经被封装在fluid内部读者可直接调用。本次可以用 fluid.optimizer.SGD(learning_rate ) 使用随机梯度下降的方法优化其中learning_rate表示学习率大家可以自己尝试修改。
optimizer fluid.optimizer.SGDOptimizer(learning_rate0.001)
opts optimizer.minimize(avg_cost) fluid有两个program一个是default_main_program一个是default_startup_program; fluid.default_main_program()用于获取默认或全局main program(主程序)。该主程序用于训练和测试模型。fluid.layers 中的所有layer函数可以向 default_main_program 中添加算子和变量。 参数初始化操作会被写入fluid.default_startup_program(); 使用fluid.default_main_program().clone(for_testTrue)语句我们可以克隆一个default_main_program以备将来测试时使用。 2.6 - 设置训练场所创建执行器参数初始化 设置训练场所 首先进行设置训练使用的设备。也就是选择是在CPU上进行训练还是在GPU上进行训练。在复杂量较低的时候使用 CPU 就可以完成任务但是对于大规模计算就需要使用 GPU 训练。目前 GPU 训练都是基于 CUDA 工具之上的。 代码实现也很简单我们使用两行代码就可以实现如下面所示 use_cudaFalse 表示不使用 GPU 进行训练创建执行器 为了能够运行开发者定义的网络拓扑结构和优化器需要定义执行器。由执行器来真正的执行参数的初始化和网络的训练过程。fulid使用了一个C类Executor用于运行一个程序Executor类似一个解释器Fluid将会使用这样一个解析器来训练和测试模型。 之后run一下初始化执行器 配置完模型后参数初始化操作会被写入到 fluid.default_startup_program() 中。 使用 fluid.Executor() 运行 这一程序即可在全局中随机初始化参数。 #使用CPU训练
use_cuda False
place fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace() exe fluid.Executor(place) #创建一个Executor实例exe
exe.run(fluid.default_startup_program()) #Executor的run()方法执行startup_program(),进行参数初始化 接下来定义映射 输入网络的数据要与网络本身应该接受的数据相匹配。在paddle的 fluid 中使用 feed_list 的概念来保证输入的数据与网络接受的数据的顺序是一致的。本示例中使用 feed_list [x,y] 来告知网络输入的数据是分为两部分第一部分是 x 值第二部分是 label 值。 映射完之后创建 DataFeeder 对象在训练的时候用户可调用其 feeder.feed(iterable) 方法将用户传入的iterable 数据转换为 LoDTensor。 # 定义feeder
feeder fluid.DataFeeder(placeplace, feed_list[x, y])#feed_list:向模型输入的变量名
2.7 - 开始训练
iter0;
iters[]
train_costs[]def plot_train_cost(iters,train_costs):titletraining costplt.title(title, fontsize24)plt.xlabel(iter, fontsize14)plt.ylabel(cost, fontsize14)plt.plot(iters, train_costs,colorblue,labeltraining cost) plt.grid()plt.show()EPOCH_NUM100
model_save_dir /home/aistudio/data/model_save_dir/inference.modelfor pass_id in range(EPOCH_NUM): #训练EPOCH_NUM轮# 开始训练并输出最后一个batch的损失值train_cost 0for batch_id, data in enumerate(train_reader()): #遍历train_reader迭代器train_cost exe.run(programfluid.default_main_program(),#运行主程序feedfeeder.feed(data), #喂入一个batch的训练数据根据feed_list和data提供的信息将输入数据转成一种特殊的数据结构fetch_list[avg_cost]) #print(Pass:%d, Cost:%0.5f % (pass_id, train_cost[0][0])) #打印最后一个batch的损失值iteriterBATCH_SIZEiters.append(iter)train_costs.append(train_cost[0][0])# 开始测试并输出最后一个batch的损失值test_cost 0for batch_id, data in enumerate(test_reader()): #遍历test_reader迭代器test_cost exe.run(programtest_program, #运行测试chengfeedfeeder.feed(data), #喂入一个batch的测试数据fetch_list[avg_cost]) #fetch均方误差print(Test:%d, Cost:%0.5f % (pass_id, test_cost[0][0])) #打印最后一个batch的损失值#保存模型# 如果保存路径不存在就创建if not os.path.exists(model_save_dir):os.makedirs(model_save_dir)print (save models to %s % (model_save_dir))#保存训练参数到指定路径中构建一个专门用预测的programfluid.io.save_inference_model(model_save_dir, #保存推理model的路径[x], #推理inference需要 feed 的数据[y_predict], #保存推理inference结果的 Variablesexe) #exe 保存 inference model
plot_train_cost(iters,train_costs) 3 - 预测阶段
定义一个画图的函数把预测结果展示出来
#先定两个list用来存放预测结果、真实值
infer_results[]
groud_truths[]#绘制真实值和预测值对比图
def plot_infer_result(groud_truths,infer_results):titleBostonplt.title(title, fontsize24)x np.arange(1,20) y xplt.plot(x, y)plt.xlabel(ground truth, fontsize14)plt.ylabel(infer result, fontsize14)plt.scatter(groud_truths, infer_results,colorred,labeltraining cost) plt.grid()plt.show()
#预测之前我们需要创建预测用的Executor
infer_exe fluid.Executor(place) #创建推测用的executor
inference_scope fluid.core.Scope() #Scope指定作用域with fluid.scope_guard(inference_scope):#修改全局/默认作用域scope, 运行时的所有变量都将分配给新的scope。#从指定目录中加载 预测用的model(inference model)[inference_program, #推理的programfeed_target_names, #需要在推理program中提供数据的变量名称fetch_targets] fluid.io.load_inference_model(#fetch_targets: 推断结果model_save_dir, #model_save_dir:模型训练路径 infer_exe) #infer_exe: 预测用executor#获取预测数据infer_reader paddle.batch(paddle.dataset.uci_housing.test(), #获取uci_housing的测试数据batch_size200) #从测试数据中读取一个大小为10的batch数据#从test_reader中分割x和labeltest_data next(infer_reader())test_x np.array([data[0] for data in test_data]).astype(float32) # 提取测试集中的xtest_y np.array([data[1] for data in test_data]).astype(float32) # 提取测试集中的labelresults infer_exe.run(inference_program, #预测模型feed{feed_target_names[0]: np.array(test_x)}, #喂入要预测的x值fetch_listfetch_targets) #得到推测结果 print(infer results: (House Price))for idx, val in enumerate(results[0]):print(%d: %.2f % (idx, val))infer_results.append(val)print(ground truth:)for idx, val in enumerate(test_y):print(%d: %.2f % (idx, val))groud_truths.append(val)plot_infer_result(groud_truths,infer_results)
