700字范文 > 飞桨深度学习零基础入门（一）——使用飞桨（Paddle）单层神经网络预测波士顿房价

飞桨深度学习零基础入门（一）——使用飞桨（Paddle）单层神经网络预测波士顿房价

时间：2023-09-23 17:28:35

系列文章往期回顾

飞桨深度学习零基础入门（序）——Python实现梯度下降

使用飞桨（Paddle）构建单层神经网络

系列文章往期回顾一、导入相关依赖包二、构建单层神经网络回归类三、设置参数四、导入数据集五、数据归一化六、训练并保存模型七、模型测试代码下载keras相关版本的全连接层

一、导入相关依赖包

import paddlefrom paddle.nn import Linearimport paddle.nn.functional as Fimport numpy as npimport osimport random

其中：

Linear全连接层，在本文中仅采用一个全连接层即单个神经网络对波士顿房价进行预测

二、构建单层神经网络回归类

class Regressor(paddle.nn.Layer):def __init__(self):super(Regressor, self).__init__()self.fc = Linear(in_features=13, out_features=1)def forward(self, inputs):x = self.fc(inputs)return x

输入的特征是13个，对于结果仅输出对房价的预测

三、设置参数

model = Regressor()model.train()opt = paddle.optimizer.SGD(learning_rate=0.01, parameters=model.parameters())

将单层神经网络回归类实例化之后开启模型训练模式（model.train），设置优化器为随机梯度下降（SGD），并设置学习率为0.01，梯度下载的参数设置为模型所需的参数

四、导入数据集

由于个人很好奇数据集导入的格式，所以采用了keras.datasets来导入了数据集，常规的导入情况请参照上一篇文章

from keras.datasets import boston_housing(training_data, train_targets), (test_data, test_targets) = boston_housing.load_data()train_targets = train_targets.reshape((-1, 1))training_data = np.array(np.concatenate([training_data, train_targets], axis=1).astype(np.double))test_targets = test_targets.reshape((-1, 1))test_data = np.array(np.concatenate([test_data, test_targets], axis=1).astype(np.double))

五、数据归一化

maxinums, mininums, avg = training_data.max(axis=0), training_data.min(axis=0), training_data.sum(axis=0) / training_data.shape[0]training_data, test_data = (training_data - mininums) / (maxinums - mininums), (test_data - mininums) / (maxinums - mininums)

六、训练并保存模型

EPOCH_NUM = 100 # 设置外层循环次数BATCH_SIZE = 10 # 设置batch大小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# 将训练数据进行拆分，每个batch包含10条数据np.random.shuffle(training_data)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]) # 获得当前批次训练数据y = np.array(mini_batch[:, -1:]) # 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tensor形式house_features = paddle.to_tensor(x)house_features = paddle.cast(house_features, dtype="float32")prices = paddle.to_tensor(y)prices = paddle.cast(prices, dtype="float32")# 前向计算predicts = model(house_features)# 计算损失loss = F.square_error_cost(predicts, label=prices)avg_loss = paddle.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.step()# 清除梯度opt.clear_grad()paddle.save(model.state_dict(), 'LR_model.pdparams')print("模型保存成功，模型参数保存在LR_model.pdparams中")

七、模型测试

def load_one_example():# 从上边已加载的测试集中，随机选择一条作为测试数据idx = np.random.randint(0, test_data.shape[0])idx = -10one_data, label = test_data[idx, :-1], test_data[idx, -1]# 修改该条数据shape为[1,13]one_data = one_data.reshape([1,-1])return one_data, labelmodel_dict = paddle.load('LR_model.pdparams')model.load_dict(model_dict)model.eval()# 参数为数据集的文件地址one_data, label = load_one_example()# 将数据转为动态图的variable格式 one_data = paddle.to_tensor(one_data)one_data = paddle.cast(one_data, dtype='float32')predict = model(one_data)# 对结果做反归一化处理predict = predict * (maxinums[-1] - mininums[-1]) + avg[-1]# 对label数据做反归一化处理label = label * (maxinums[-1] - mininums[-1]) + avg[-1]print("Inference result is {}, the corresponding label is {}".format(predict.numpy(), label))

运行结果：

由于初始化和模型训练轮次的缘故，结果可能不会相同，但最后预测结果和最终标签应该不会差太多