一个简单的paddlepaddle线性回归预测、模型保存、模型加载及使用的过程.
全连接神经网络，fluid.layers.fc:https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/layers_cn/fc_cn.html#fc
平方误差，fluid.layers.square_error_cost：https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/layers_cn/square_error_cost_cn.html#square-error-cost
随机梯度下降，fluid.optimizer.SGDOptimizer：https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/optimizer_cn/SGDOptimizer_cn.html#sgdoptimizer
模型保存，save_inference_model：https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/io_cn/save_inference_model_cn.html#save-inference-model
模型加载，load_inference_model：https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/io_cn/load_inference_model_cn.html#load-inference-model
import paddle.fluid as fluid
import paddle
import numpy as np
def load_model(inpt):
# 定义一个简单的线性网络，对输入inpt进行全连接，映射为100维大小
# batchsize：一批、一组数据的大小
# 比如输入inpu:[batchsize,13]，则hidden:[batchsize,100]
hidden = fluid.layers.fc(input=inpt, size=100, act='relu')
# 再全连接，映射为1维大小，作为输出
# [batchsize,1]
net = fluid.layers.fc(input=hidden, size=1, act=None)
return net
def cost(model,label):
# 定义损失函数，损失需要预测input，真实值label
# (model-label)^2
cost = fluid.layers.square_error_cost(input=model, label=label)
# 为了忽略数量的影响，损失定义为平均损失
avg_cost = fluid.layers.mean(cost)
return avg_cost
def optimizer(cost):
# 定义优化方法为随机梯度下降SGDOptimizer，会对输入cost进行反向梯度，希望cost变得越来越小
optimizer = fluid.optimizer.SGDOptimizer(learning_rate=0.01)
opts = optimizer.minimize(cost)
return opts
def data():
# 定义训练和测试数据，5条数据，每条13维
x_data = np.array([[1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0],
[2.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0],
[3.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0],
[4.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0],
[5.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]]).astype('float32')
# 5条数据的回归y值
y_data = np.array([[3.0], [5.0], [7.0], [9.0], [11.0]]).astype('float32')
# 1条测试数据
test_data = np.array([[6.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]]).astype('float32')
return x_data, y_data, test_data
def train(epoch, feed, fetch_list, exe):
# 训练epoch次
for ei in range(epoch):
train_cost, o_net = exe.run(program=fluid.default_main_program(),
feed=feed,
fetch_list=fetch_list)
print("epoch:%d, cost:%0.5f" % (ei, train_cost[0]))
def save(params_dirname='result', feeded_var_names=None, target_vars=None, executor=None):
'''
params_dirname:保存的路径
feeded_var_names:保存模型的输入名称list
target_vars：模型的输出目标
executor:模型的执行器
'''
print('save model at:',params_dirname)
fluid.io.save_inference_model(dirname=params_dirname, feeded_var_names=feeded_var_names,
target_vars=target_vars, executor=executor)
def execut(if_cuda=False):
# 创建执行设备，如果GPU，就使用0号GPU卡，多卡在后面，慢慢来
place = fluid.CUDAPlace(0) if if_cuda else fluid.CPUPlace()
exe = fluid.Executor(place)
return exe
def predict(program, feed_data, fetch_list):
# 开始预测
result = exe.run(program=program,
feed=feed_data,
fetch_list=fetch_list)
print("当x为6.0时，y为：%0.5f:" % result[0][0][0])
if __name__ == '__main__':
x = fluid.layers.data(name='x', shape=[13], dtype='float32')
y = fluid.layers.data(name='y', shape=[1], dtype='float32')
# 创建数据
x_data, y_data, test_data = data()
# 创建模型
predict_y = load_model(x)
# 创建当前主程序default_main_program的克隆程序，用于预测：clone(for_test=True)
test_program = fluid.default_main_program().clone(for_test=True)
# 创建损失
avg_cost = cost(predict_y,y)
opts = optimizer(avg_cost)
# 创建执行器
exe = execut(if_cuda=True)
# 初始化所以网络参数
exe.run(fluid.default_startup_program())
# 开始训练，喂的数据是：{'x': x_data, 'y': y_data}，希望输出的是：平均损失avg_cost，模型输出model
train(epoch=10, feed={'x': x_data, 'y': y_data}, fetch_list=[avg_cost, predict_y], exe=exe)
# 保存模型，这个模型保存到result，输入的数据要求必须是给x占位的，输出的是模型最后那个return net
save(params_dirname='result', feeded_var_names=['x'], target_vars=[predict_y], executor=exe)
predict(program=test_program, feed_data={'x': test_data}, fetch_list=[predict_y])
'''
epoch:0, cost:49.64904
epoch:1, cost:15.40312
epoch:2, cost:2.15408
epoch:3, cost:0.05858
epoch:4, cost:0.03799
epoch:5, cost:0.03717
epoch:6, cost:0.03639
epoch:7, cost:0.03562
epoch:8, cost:0.03488
epoch:9, cost:0.03415
save model at: result
当x为6.0时，y为：13.28173:
'''
模型保存后的样子：
在别的地方加载之前保存的result模型：
import paddle.fluid as fluid
import numpy as np
def execut(if_cuda):
place = fluid.CUDAPlace(0) if if_cuda else fluid.CPUPlace()
exe = fluid.Executor(place)
return exe
if __name__ == '__main__':
# 现在需要加载训练好的模型，并且预测2条数据：
test_data = np.array([[6.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0],
[3.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]
]).astype('float32')
# 创建执行器
exe = execut(if_cuda=False)
# 之前保存的模型目录
params_dirname = "result"
# 开始加载模型，模型会返回：执行程序,输入数据名列表,返回数据列表
# ps:所以这里要记得自己之前保存的时候返回多少个数据target_vars=[predict_y]，在执行exe.run的左边就设置相应个数接回这些数据
inference_program, feed_target_names, fetch_targets = fluid.io.load_inference_model(params_dirname, exe)
results = exe.run(inference_program,
feed={"x": test_data},
fetch_list=fetch_targets)
print(results[0])
返回内容：
