AI Studio 飞桨 零基础入门深度学习笔记3-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
- 保存并测试模型
-
- 保存模型
- 测试模型
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
本书中的案例覆盖计算机视觉、自然语言处理和推荐系统等主流应用场景，所有案例的代码结构完全一致，如 图1 所示。
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，模型结构和《使用Python和Numpy构建神经网络模型》章节模型保持一致。
- 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。
训练配置
训练配置过程包含四步，如 图2 所示：
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square_error_cost计算出损失函数值（Loss）。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。
来源：mejs
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！