PaddlePaddle-百度架构师手把手带你零基础实践深度学习-笔记

案例一：波士顿房价预测问题

• 预测问题分类

区别	回归任务	分类任务
预测输出类型	连续的实数值	离散的标签
常用损失函数loss()举例	均方差损失函数Loss=(y-z)^2	交叉熵损失函数

• 深度学习基本步骤
  

# numpy.fromfile()
fromfile(...)
    fromfile(file, dtype=float, count=-1, sep='', offset=0)
    
    Construct an array from data in a text or binary file.

具体代码详解

Step1-数据处理：读取数据和预处理操作

# 数据处理
def load_data():                                                    # 数据预处理（数据导入、数据形状变换、数据集划分、数据归一化处理和封装load data函数）
    # 从文件导入数据
    datafile = './work/housing.data'
    data = np.fromfile(datafile, sep=' ')

    # 每条数据包括14项，其中前面13项是影响因素，第14项是相应的房屋价格中位数
    feature_names = [ 'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', \
                      'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV' ]
    feature_num = len(feature_names)

    # 将原始数据进行Reshape，变成[N, 14]这样的形状
    data = data.reshape([data.shape[0] // feature_num, feature_num])

    # 将原数据集拆分成训练集和测试集
    # 这里使用80%的数据做训练，20%的数据做测试
    # 测试集和训练集必须是没有交集的
    ratio = 0.8
    offset = int(data.shape[0] * ratio)
    training_data = data[:offset]

    # 计算训练集的最大值，最小值，平均值
    maximums, minimums, avgs = training_data.max(axis=0), training_data.min(axis=0), \
                                 training_data.sum(axis=0) / training_data.shape[0]

    # 对数据进行归一化处理
    for i in range(feature_num):
        #print(maximums[i], minimums[i], avgs[i])
        data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])

    # 训练集和测试集的划分比例
    training_data = data[:offset]
    test_data = data[offset:]
    return training_data, test_data                           # 返回训练集和测试集

# ---------------------------------------------------------------------------------------------------------------


# 获取数据，调用load_data()函数
training_data, test_data = load_data()   # 得到划分好的数据集
# 二维数组切片，将前13列和后1列划分开
x = training_data[:, :-1]                # 将测试集再次划分为前13个x
y = training_data[:, -1:]                # 将剩下的第14个数据项赋值给y
# 注意这里的x，y都是长度为404的向量，其中x为二维向量(404*13)，y为一维向量(404*1)

# ----------------------------------------------------------------------------------------------------------------

Step2-模型设计：网络结构（假设）

# 模型设计
class Network(object):
    def __init__(self, num_of_weights):               # 权重 num_of_weights = 13
        # 随机产生w的初始值
        # 为了保持程序每次运行结果的一致性，
        # 此处设置固定的随机数种子
        np.random.seed(0)                             # 保证每次生成的随机值都是相同的
        self.w = np.random.randn(num_of_weights, 1)
        self.b = 0.
        
    def forward(self, x):                               # 前向计算，参考前面的神经元，输出在当下参数下的预测值
        z = np.dot(x, self.w) + self.b
        return z

Step3-训练配置：优化器（寻解算法）和计算资源配置

# 训练配置 设置损失函数，便于衡量参数的优劣
class Network(object):
    def __init__(self, num_of_weights):
        # 随机产生w的初始值
        # 为了保持程序每次运行结果的一致性，此处设置固定的随机数种子
        np.random.seed(0)
        self.w = np.random.randn(num_of_weights, 1)
        self.b = 0.
        
    def forward(self, x):
        z = np.dot(x, self.w) + self.b
        return z

    def loss(self, z, y):                                # 添加了loss()损失函数
        error = z - y
        cost = error * error
        cost = np.mean(cost)   # 求取平均值               # n个cost相加然后取平均
        return cost

Step4-训练过程：循环调用训练过程，前向计算+损失函数（优化目标）+后向传播

# 训练过程(找到合适的参数)
# 训练过程是深度学习模型的关键要素之一，其目标是让定义的损失函数Loss尽可能的小，也就是说找到一个参数解w(13,1)和b(1,)使得损失函数取得极小值

# 方法：梯度下降法-----从当前的参数取值，一步步的按照下坡的方向下降，直到走到“最低点”-最小损失函数对应的参数
# 计算梯度
class Network(object):
    def __init__(self, num_of_weights):
        # 随机产生w的初始值
        # 为了保持程序每次运行结果的一致性，此处设置固定的随机数种子
        np.random.seed(0)
        self.w = np.random.randn(num_of_weights, 1)
        self.b = 0.
        
    def forward(self, x):
        z = np.dot(x, self.w) + self.b   # 矩阵乘法
        return z
     
    def loss(self, z, y):
        error = z - y
        num_samples = error.shape[0]
        cost = error * error
        cost = np.sum(cost) / num_samples
        return cost
    
    def gradient(self, x, y):                     # 利用Numpy广播功能计算w、b的梯度
        z = self.forward(x)
        gradient_w = (z-y)*x
        gradient_w = np.mean(gradient_w, axis=0)
        gradient_w = gradient_w[:, np.newaxis]
        gradient_b = (z - y) 
        gradient_b = np.mean(gradient_b)
        
        return gradient_w, gradient_b

# ------------------------------------------------------------------------------------------------------------------------
# 更新梯度（确定损失函数更小的点）
# 基本思路是沿着梯度的反方向移动一小步（梯度反方向是损失函数值下降最快的方向）
class Network(object):
    def __init__(self, num_of_weights):
        # 随机产生w的初始值
        # 为了保持程序每次运行结果的一致性，此处设置固定的随机数种子
        np.random.seed(0)
        self.w = np.random.randn(num_of_weights, 1)
        self.b = 0.
        
    def forward(self, x):
        z = np.dot(x, self.w) + self.b
        return z
    
    def loss(self, z, y):
        error = z - y
        num_samples = error.shape[0]
        cost = error * error
        cost = np.sum(cost) / num_samples
        return cost
    
    def gradient(self, x, y):
        z = self.forward(x)
        gradient_w = (z-y)*x
        gradient_w = np.mean(gradient_w, axis=0)
        gradient_w = gradient_w[:, np.newaxis]
        gradient_b = (z - y)
        gradient_b = np.mean(gradient_b)        
        return gradient_w, gradient_b
    
    def update(self, gradient_w, gradient_b, eta = 0.01):            # 更新w
        self.w = self.w - eta * gradient_w
        self.b = self.b - eta * gradient_b
        
    def train(self, x, y, iterations=100, eta=0.01):                 # 沿梯度反方向进行重复训练，默认迭代次数iterations=100次
        losses = []
        for i in range(iterations):
            z = self.forward(x)
            L = self.loss(z, y)
            gradient_w, gradient_b = self.gradient(x, y)
            self.update(gradient_w, gradient_b, eta)
            losses.append(L)                                        # 向losses中添加每次迭代的损失函数值
            if (i+1) % 10 == 0:
                print('iter {}, loss {}'.format(i, L))
        return losses

# 获取数据
train_data, test_data = load_data()
x = train_data[:, :-1]
y = train_data[:, -1:]
# 创建网络
net = Network(13)
num_iterations=1000
# 启动训练
losses = net.train(x,y, iterations=num_iterations, eta=0.01)

# 画出损失函数的变化趋势
plot_x = np.arange(num_iterations)
plot_y = np.array(losses)
plt.plot(plot_x, plot_y)
plt.show()

# ---------------------------------------------------------------------------------------------------------------

# 随机梯度下降法
# 每次从总的数据集中随机抽取出小部分数据来代表整体，基于这部分数据计算梯度和损失来更新参数，这种方法被称作随机梯度下降法（Stochastic Gradient Descent，SGD）
# min-batch：每次迭代时抽取出来的一批数据被称为一个min-batch
# batch_size：一个mini-batch所包含的样本数目称为batch_size
# epoch：当程序迭代的时候，按mini-batch逐渐抽取出样本，当整个数据集都遍历到了，则完成了一轮训练，也叫一个epoch
# 启动训练时，可以将训练的轮数num_epochs和batch_size作为参数传入，利用batch_size将测试数据划分为一个个小的mini-batch进行训练
# 获取数据
train_data, test_data = load_data()

# 将数组进行随机打乱，每次运行结果都不一样，以此来避免模型记忆影响训练效果
np.random.shuffle(train_data)                                        # 一维数组不变，只是二维数组最外层顺序随机打乱

# 将train_data分成多个mini_batch
batch_size = 10
n = len(train_data)

# 这里range中步长为10，然后从train_data中划分出包含10各元素的mini_batch
mini_batches = [train_data[k:k+batch_size] for k in range(0, n, batch_size)]

# 创建网络
net = Network(13)

# 依次使用每个mini_batch的数据
for mini_batch in mini_batches:
    x = mini_batch[:, :-1]
    y = mini_batch[:, -1:]
    loss = net.train(x, y, iterations=1)

# ---------------------------------------------------------------------------------------------------------------
# 采用随机梯度下降方法修改后的模型
import numpy as np

class Network(object):
    def __init__(self, num_of_weights):
        # 随机产生w的初始值
        # 为了保持程序每次运行结果的一致性，此处设置固定的随机数种子
        #np.random.seed(0)
        self.w = np.random.randn(num_of_weights, 1)
        self.b = 0.
        
    def forward(self, x):
        z = np.dot(x, self.w) + self.b
        return z
    
    def loss(self, z, y):
        error = z - y
        num_samples = error.shape[0]
        cost = error * error
        cost = np.sum(cost) / num_samples
        return cost
    
    def gradient(self, x, y):
        z = self.forward(x)
        N = x.shape[0]
        gradient_w = 1. / N * np.sum((z-y) * x, axis=0)
        gradient_w = gradient_w[:, np.newaxis]
        gradient_b = 1. / N * np.sum(z-y)
        return gradient_w, gradient_b
    
    def update(self, gradient_w, gradient_b, eta = 0.01):
        self.w = self.w - eta * gradient_w
        self.b = self.b - eta * gradient_b
            
                
    def train(self, training_data, num_epoches, batch_size=10, eta=0.01):
        n = len(training_data)
        losses = []
        for epoch_id in range(num_epoches):
            # 在每轮迭代开始之前，将训练数据的顺序随机打乱
            # 然后再按每次取batch_size条数据的方式取出
            np.random.shuffle(training_data)
            # 将训练数据进行拆分，每个mini_batch包含batch_size条的数据
            mini_batches = [training_data[k:k+batch_size] for k in range(0, n, batch_size)]
            for iter_id, mini_batch in enumerate(mini_batches):    # enumerate()返回每次迭代的索引和元素
                #print(self.w.shape)
                #print(self.b)
                x = mini_batch[:, :-1]
                y = mini_batch[:, -1:]
                a = self.forward(x)
                loss = self.loss(a, y)
                gradient_w, gradient_b = self.gradient(x, y)
                self.update(gradient_w, gradient_b, eta)
                losses.append(loss)
                print('Epoch {:3d} / iter {:3d}, loss = {:.4f}'.
                                 format(epoch_id, iter_id, loss))   # 注意区分，epoch_id为整体数据的第？次迭代，iter_id为每个mini_batch里的第？次迭代
        
        return losses

# 获取数据
train_data, test_data = load_data()

# 创建网络
net = Network(13)
# 启动训练
losses = net.train(train_data, num_epoches=50, batch_size=100, eta=0.1)  # 将404条数据分为5各mini_batch进行训练，整体数据训练100次

# 画出损失函数的变化趋势
plot_x = np.arange(len(losses))
plot_y = np.array(losses)
plt.plot(plot_x, plot_y)
plt.show()

Step5-保存模型：将训练好的模型保存