1.4 使用飞桨重写房价预测模型

介绍使用飞桨完成波士顿房价预测模型构建的流程和操作方法，让读者体验一下飞桨的使用！

飞桨深度学习平台设计之“道”

当读者习惯使用飞桨框架后会发现程序呈现出“八股文”的形态，即不同的程序员、使用不同模型、解决不同任务的时候，他们编写的建模程序是极其相似的。虽然这些设计在某些“极客”的眼里缺乏精彩，但从实用性的角度，我们更期望建模者聚焦需要解决的任务，而不是将精力投入在框架的学习上。因此使用飞桨编写模型是有标准的套路设计的，只要通过一个示例程序掌握使用飞桨的方法，编写不同任务的多种建模程序将变得十分容易。

这点与Python的设计思想一致：对于某个特定功能，并不是实现方式越灵活、越多样越好，最好只有一种符合“道”的最佳实现。此处“道”指的是如何更加匹配人的思维习惯。当程序员第一次看到Python的多种应用方式时，感觉程序天然就应该如此实现。但相信我，不是所有的编程语言都具备这样合“道”的设计，很多编程语言的设计思路是人需要去理解机器的运作原理，而不能以人类习惯的方式设计程序。同时，灵活意味着复杂，会增加程序员之间的沟通难度，也不适合现代工业化生产软件的趋势。

飞桨设计的初衷不仅要易于学习，还期望使用者能够体会到它的美感和哲学，与人类最自然的认知和使用习惯契合。

使用飞桨构建波士顿房价预测模型

本书中的案例覆盖预测任务、推荐系统、计算机视觉和自然语言处理等主流应用场景，所有案例的代码结构完全一致，如图1 所示。

图1：使用飞桨框架构建神经网络过程

在之前的章节中，我们学习了使用Python和Numpy构建波士顿房价预测模型的方法，本节课我们将尝试使用飞桨重写房价预测模型，大家可以体会一下二者的异同。在数据处理之前，需要先加载飞桨框架的相关类库。

In[ ]

代码中参数含义如下：

paddle/fluid：飞桨的主库，目前大部分的实用函数均在paddle.fluid包内。
dygraph：动态图的类库。
FC：神经网络的全连接层函数，即包含所有输入权重相加和激活函数的基本神经元结构。在房价预测任务中，使用只有一层的神经网络（全连接层）来实现线性回归模型。

说明：

飞桨支持两种深度学习建模编写方式，更方便调试的动态图模式和性能更好并便于部署的静态图模式。

静态图模式（声明式编程范式，类比C++）：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。
动态图模式（命令式编程范式，类比Python）：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。

为了学习模型和调试的方便，本教程均使用动态图模式编写模型。在后续的资深教程中，会详细介绍静态图以及将动态图模型转成静态图的方法。仅在部分场景下需要模型转换，并且是相对容易的。

数据处理

数据处理的代码不依赖框架实现，与使用Python构建房价预测任务的代码相同（详细解读请参考1-2章），这里不再赘述。

In[ ]

模型设计

模型定义的实质是定义线性回归的网络结构，飞桨建议通过创建Python类的方式完成模型网络的定义，即定义函数和函数。函数是框架指定实现前向计算逻辑的函数，程序在调用模型实例时会自动执行forward方法。在函数中使用的网络层需要在函数中声明。

实现过程分如下两步：

定义init函数：在类的初始化函数中声明每一层网络的实现函数。在房价预测模型中，只需要定义一层全连接层FC，模型结构和1-2 节模型保持一致。
定义forward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，在本任务中返回的是房价预测结果。

说明：

变量用于调试模型时追踪多个模型的变量，在此忽略即可，飞桨1.7及之后版本不强制用户设置。

In[ ]

训练配置

训练配置过程包含四步，如图2 所示：

图2：训练配置流程示意图

以函数指定运行训练的机器资源，表明在作用域下的程序均执行在本机的CPU资源上。表示在作用域下的程序会以飞桨动态图的模式执行（实时执行）。
声明定义好的回归模型Regressor实例，并将模型的状态设置为训练。
使用load_data函数加载训练数据和测试数据。
设置优化算法和学习率，优化算法采用随机梯度下降SGD，学习率设置为0.01。

训练配置代码如下所示：

In[ ]

说明：

默认本案例运行在读者的笔记本上，因此模型训练的机器资源为CPU。
模型实例有两种状态：训练状态和预测状态。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。

在上述代码中可以发现声明模型、定义优化器等操作都在创建的 fluid.dygraph.guard()上下文环境中进行，可以理解为创建了飞桨动态图的工作环境，在该环境下完成模型声明、数据转换及模型训练等操作。

在基于Python实现神经网络模型的案例中，我们为实现梯度下降编写了大量代码，而使用飞桨框架只需要定义SDG就可以实现优化器设置，大大简化了这个过程。

训练过程

训练过程采用二层循环嵌套方式：

内层循环： 负责整个数据集的一次遍历，采用分批次方式（batch）。假设数据集样本数量为1000，一个批次有10个样本，则遍历一次数据集的批次数量是1000/10=100，即内层循环需要执行100次。
外层循环： 定义遍历数据集的次数，通过参数EPOCH_NUM设置。

说明:

batch的取值会影响模型训练效果。batch过大，会增大内存消耗和计算时间，且效果并不会明显提升；batch过小，每个batch的样本数据将没有统计意义。由于房价预测模型的训练数据集较小，我们将batch为设置10。

每次内层循环都需要执行如下四个步骤，如图3 所示，计算过程与使用Python编写模型完全一致。

图3：内循环计算过程

数据准备：将一个批次的数据转变成np.array和内置格式。
前向计算：将一个批次的样本数据灌入网络中，计算输出结果。
计算损失函数：以前向计算结果和真实房价作为输入，通过损失函数计算出损失函数值（Loss），API可参考square_error_cost。飞桨所有的API接口都有完整的说明和使用案例，在后续的资深教程中我们会详细介绍API的查阅方法。
反向传播：执行梯度反向传播函数，即从后到前逐层计算每一层的梯度，并根据设置的优化算法更新参数。

In[ ]



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:

来源：timeshark
                                                        声明：本站部分文章及图片转载于互联网，内容版权归原作者所有，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！

1.4 使用飞桨重写房价预测模型

飞桨深度学习平台设计之“道”

使用飞桨构建波士顿房价预测模型

数据处理

模型设计

训练配置

训练过程

相关推荐