知识点回顾
机器学习是怎么一个工作过程呢？
是这样的：
我们首先输入训练数据集，利用特定的机器学习方法建立估计函数，并进行训练。训练后得到一个模型。然后向这一模型输入测试数据集，函数有能力对没有见过的数据进行正确估计，这就是机器学习的过程。
第一阶段：训练阶段
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；
numpy：NumPy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 - 数据集介绍
本次所用数据集已经集成在paddle.dataset中了，并且已经为我们拆分成了训练集和测试集；我们可以通过调用paddle.dataset.uci_housing.train()和paddle.dataset.uci_housing.test()两个接口来获取训练集和测试集，非常的方便。
数据集共506行,每行14列。前13列用来描述房屋的各种信息，最后一列为该类房屋价格中位数。
3 - 数据提供器
接下来我们通过paddle.batch这个接口，来定义数据提供器：train_reader和test_reader。分别向我们的网络提供训练数据和测试数据。
提供器每次读入一个大小为BATCH_SIZE的数据批次。如果用户希望加一些随机性，它可以同时定义一个批次大小和一个缓存大小。这样的话，每次数据提供器会从缓存中随机读取批次大小那么多的数据。我们都可以通过batch_size进行设置，这个大小一般是2的N次方。
关于参数的解释如下：
paddle.reader.shuffle(train(), buf_size=500)表示trainer从train()这个reader中读取了buf_size=500大小的数据并打乱顺序
paddle.batch(reader(), batch_size=BATCH_SIZE)表示从打乱的数据中再取出BATCH_SIZE=20大小的数据进行一次迭代训练
如果buf_size设置的数值大于数据集本身，就直接把整个数据集打乱顺序；如果buf_size设置的数值小于数据集本身，就按照buf_size的大小打乱顺序。
BUF_SIZE=500
BATCH_SIZE=20
#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_size=BUF_SIZE), batch_size=BATCH_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_size=BUF_SIZE),batch_size=BATCH_SIZE)
4 - 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 layer，fc_layer），因此在Peddlepeddle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 。
接下来就让我们利用PaddlePaddle提供的接口，搭建我们自己的网络吧！
输入层:
我们可以用x = fluid.layers.data(name='x', shape=[13], dtype='float32')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，这是因为本次所用的房价数据集的每条数据有13个属性，所以shape=13。
输出层:
用y_predict = fluid.layers.fc(input=x, size=1, act=None)来表示输出层：其中paddle.layer.fc表示全连接层，input=x表示该层输入数据为x，size=1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：act='relu’就表示使用relu激活函数。act=None表示激活函数为线性激活函数。
标签层:
用y = fluid.layers.data(name=‘y’, shape=[1], dtype=‘float32’)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(name='x', shape=[13], dtype='float32')
#定义张量y,表示目标值
y = fluid.layers.data(name='y', shape=[1], dtype='float32')
#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_predict=fluid.layers.fc(input=x,size=1,act=None)
5 - 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)。因为本项目是一个线性回归任务，所以我们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，所以我们还要通过调用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(input=y_predict, label=y) #求一个batch的损失值
avg_cost = fluid.layers.mean(cost) #对损失值求平均值
6 - 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_rate=0.001)
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_test=True)语句，我们可以克隆一个default_main_program，以备将来测试时使用。
test_program = fluid.default_main_program().clone(for_test=True)
7 - 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_cuda=False 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。
之后我们run一下，初始化执行器； 用户配置完模型后，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(place=place, feed_list=[x, y])#feed_list:向模型输入的变量名
为了便于观察训练过程，我们可以定义一个绘制函数，用来把“训练过程的损失值变化趋势”实时的展示出来：
iter=0;
iters=[]
train_costs=[]
def plot_train_cost(iters,train_costs):
title="training cost"
plt.title(title, fontsize=24)
plt.xlabel("iter", fontsize=14)
plt.ylabel("cost", fontsize=14)
plt.plot(iters, train_costs,color='blue',label='training cost')
plt.grid()
plt.show()
8 - 开始训练
接下来我们就是用双层循环，来进行训练；
在训练之前还要定义一个模型保存路径，用来保存我们训练好的模型；
我们还要定义一个变量，来规定训练的总epoch；
EPOCH_NUM=100
model_save_dir = "/home/aistudio/data/model_save_dir/inference.model"
for 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 = 0
for batch_id, data in enumerate(train_reader()): #遍历train_reader迭代器
train_cost = exe.run(program=fluid.default_main_program(),#运行主程
#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
feed=feeder.feed(data),
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
iter=iter+BATCH_SIZE
iters.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 = 0
for batch_id, data in enumerate(test_reader()): #遍历test_reader迭代器
print("batch_id:%d" % (batch_id))
test_cost= exe.run(program=test_program, #运行测试cheng
feed=feeder.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program
fluid.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 Variables
exe) #exe 保存 inference model
plot_train_cost(iters,train_costs)
运行截图
batch_id:0
batch_id:1
batch_id:2
batch_id:3
batch_id:4
batch_id:5
Test:0, Cost:12.97408
save models to /home/aistudio/data/model_save_dir/inference.model
batch_id:0
batch_id:1
batch_id:2
batch_id:3
batch_id:4
batch_id:5
Test:1, Cost:8.27916
save models to /home/aistudio/data/model_save_dir/inference.model
batch_id:0
batch_id:1
batch_id:2
batch_id:3
batch_id:4
batch_id:5
Test:2, Cost:16.52091
save models to /home/aistudio/data/model_save_dir/inference.model
batch_id:0
batch_id:1
batch_id:2
batch_id:3
batch_id:4
batch_id:5
Test:3, Cost:6.78491
save models to /home/aistudio/data/model_save_dir/inference.model
batch_id:0
batch_id:1
batch_id:2
batch_id:3
batch_id:4
batch_id:5
Test:66, Cost:3.09493
save models to /home/aistudio/data/model_save_dir/inference.model
batch_id:0
batch_id:1
batch_id:2
batch_id:3
batch_id:4
batch_id:5
Test:67, Cost:16.64656
save models to /home/aistudio/data/model_save_dir/inference.model
batch_id:0
batch_id:1
batch_id:2
batch_id:3
batch_id:4
batch_id:5
Test:68, Cost:5.22725
save models to /home/aistudio/data/model_save_dir/inference.model
batch_id:0
batch_id:1
batch_id:2
batch_id:3
batch_id:4
batch_id:5
Test:69, Cost:3.34186
save models to /home/aistudio/data/model_save_dir/inference.model
batch_id:0
batch_id:1
batch_id:2
batch_id:3
batch_id:4
batch_id:5
Test:70, Cost:5.03149
save models to /home/aistudio/data/model_save_dir/inference.model
batch_id:0
batch_id:1
batch_id:2
batch_id:3
batch_id:4
batch_id:5
Test:71, Cost:14.10795
save models to /home/aistudio/data/model_save_dir/inference.model
batch_id:0
batch_id:1
batch_id:2
batch_id:3
batch_id:4
batch_id:5
...
...
...
Test:72, Cost:34.10251
save models to /home/aistudio/data/model_save_dir/inference.model
第二阶段： 预测阶段
我们同样可以定义一个画图的函数，把我们的预测结果展示出来
#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):
title='Boston'
plt.title(title, fontsize=24)
x = np.arange(1,20)
y = x
plt.plot(x, y)
plt.xlabel('ground truth', fontsize=14)
plt.ylabel('infer result', fontsize=14)
plt.scatter(groud_truths, infer_results,color='red',label='training 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program
feed_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_size=200) #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label
test_data = next(infer_reader())
test_x = np.array([data[0] for data in test_data]).astype("float32") # 提取测试集中的x
test_y= np.array([data[1] for data in test_data]).astype("float32") # 提取测试集中的label
results = 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_list=fetch_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)
运行结果
infer results: (House Price)
0: -0.87
1: -0.92
2: -0.56
3: -0.64
4: -0.66
5: -0.84
6: -0.87
7: -0.89
8: -0.76
9: -0.69
10: -0.92
11: -1.00
12: -1.00
13: -0.85
14: -1.10
15: -1.03
16: -0.79
17: -0.74
18: -0.63
19: -0.85
20: -0.74
21: -0.91
22: -0.78
23: -0.98
24: -0.87
25: -0.91
26: -0.78
27: -0.85
28: -0.75
29: -0.87
30: -0.87
31: -0.97
32: -0.98
33: -1.00
34: -1.00
35: -0.73
36: -0.80
37: -0.80
38: -0.74
39: -0.80
40: -0.84
41: -0.99
42: -0.80
43: -0.76
44: -0.73
45: -0.80
46: -0.96
47: -0.78
48: -0.73
49: -0.85
50: -0.97
51: -0.91
52: -0.87
53: -0.87
54: -0.78
55: -0.69
56: -0.82
57: -0.71
58: -0.71
59: -0.70
60: -0.66
61: -0.64
62: -0.79
63: -0.62
64: -0.63
65: -0.58
66: -0.57
67: -0.51
68: -0.60
69: -0.70
70: -0.54
71: -0.68
72: -0.66
73: -0.63
74: -0.65
75: -0.66
76: -0.52
77: -0.55
78: -0.58
79: -0.46
80: -0.55
81: -0.57
82: -0.56
83: -0.55
84: -0.29
85: -0.34
86: -0.35
87: -0.34
88: -0.32
89: 0.18
90: 0.13
91: 0.13
92: 0.18
93: 0.18
94: 0.15
95: 0.19
96: 0.15
97: 0.44
98: 0.50
99: 0.44
100: 0.46
101: 0.53
ground truth:
0: 8.50
1: 5.00
2: 11.90
3: 27.90
4: 17.20
5: 27.50
6: 15.00
7: 17.20
8: 17.90
9: 16.30
10: 7.00
11: 7.20
12: 7.50
13: 10.40
14: 8.80
15: 8.40
16: 16.70
17: 14.20
18: 20.80
19: 13.40
20: 11.70
21: 8.30
22: 10.20
23: 10.90
24: 11.00
25: 9.50
26: 14.50
27: 14.10
28: 16.10
29: 14.30
30: 11.70
31: 13.40
32: 9.60
33: 8.70
34: 8.40
35: 12.80
36: 10.50
37: 17.10
38: 18.40
39: 15.40
40: 10.80
41: 11.80
42: 14.90
43: 12.60
44: 14.10
45: 13.00
46: 13.40
47: 15.20
48: 16.10
49: 17.80
50: 14.90
51: 14.10
52: 12.70
53: 13.50
54: 14.90
55: 20.00
56: 16.40
57: 17.70
58: 19.50
59: 20.20
60: 21.40
61: 19.90
62: 19.00
63: 19.10
64: 19.10
65: 20.10
66: 19.90
67: 19.60
68: 23.20
69: 29.80
70: 13.80
71: 13.30
72: 16.70
73: 12.00
74: 14.60
75: 21.40
76: 23.00
77: 23.70
78: 25.00
79: 21.80
80: 20.60
81: 21.20
82: 19.10
83: 20.60
84: 15.20
85: 7.00
86: 8.10
87: 13.60
88: 20.10
89: 21.80
90: 24.50
91: 23.10
92: 19.70
93: 18.30
94: 21.20
95: 17.50
96: 16.80
97: 22.40
98: 20.60
99: 23.90
100: 22.00
101: 11.90
