PaddlePaddle-百度架构师手把手带你零基础实践深度学习-笔记02(代码详解)

使用飞桨重写房价预测模型篇(代码详解)

设计思路

图1：设计思路

#加载飞桨、Numpy和相关类库
import paddle
import paddle.fluid as fluid                          # fluid液体
import paddle.fluid.dygraph as dygraph                # 动态图
from paddle.fluid.dygraph import Linear
import numpy as np
import os
import random

1.数据处理

def load_data():
    # 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train数据集的最大值，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]
    
    # 记录数据的归一化参数，在预测时对数据做归一化
    global max_values                              # 全局变量global   可以在函数体外定义和赋值的变量
    global min_values
    global avg_values
    max_values = maximums
    min_values = minimums
    avg_values = avgs

    # 对数据进行归一化处理
    for i in range(feature_num):   # 14个数据，其中对于房价也做了相应的归一化处理
        #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
    #ratio = 0.8
    #offset = int(data.shape[0] * ratio)
    training_data = data[:offset]
    test_data = data[offset:]
    return training_data, test_data

2.模型设计

class Regressor(fluid.dygraph.Layer):
    def __init__(self):
        super(Regressor, self).__init__()      # 调用父类的构造函数
        # super(子类，self).__init__(参数1，参数2，....)
        # 父类名称.__init__(self,参数1，参数2，...)
        
        # 定义一层全连接层，输出维度是1，激活函数为None，即不使用激活函数
        self.fc = Linear(input_dim=13, output_dim=1, act=None)        # 实例变量
    
    # 网络的前向计算函数
    def forward(self, inputs):
        x = self.fc(inputs)     # x局部变量
        return x

3.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

# 定义飞桨动态图的工作环境
with fluid.dygraph.guard():
    # 声明定义好的线性回归模型
    model = Regressor()
    # 开启模型训练模式
    model.train()
    # 加载数据
    training_data, test_data = load_data()
    # 定义优化算法，这里使用随机梯度下降-SGD
    # 学习率设置为0.01
    opt = fluid.optimizer.SGD(learning_rate=0.01, parameter_list=model.parameters())   # 定义优化器

4.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。

    for iter_id, mini_batch in enumerate(mini_batches):          #返回迭代的次数和每次抽取的batch数据
  

• 外层循环： 定义遍历数据集的次数，通过参数EPOCH_NUM设置。

    for epoch_id in range(EPOCH_NUM):
  

---

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
1. 数据准备：将一个批次的数据转变成np.array和内置格式。 2. 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。 3. 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](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/layers_cn/square_error_cost_cn.html#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。 4. 反向传播：执行梯度反向传播``backward``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``opt.minimize``。

with dygraph.guard(fluid.CPUPlace()):    # guard 指定以下训练使用的机器资源，这里使用本地的CPU训练
    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)               # 注意这里只是将训练集打乱，也就是数据划分后进行随机梯度时再每轮将整个train_data打乱
        # 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)   # inputs = house_feature 调用self.fc(inputs) 进而调用前向函数
            
            # 计算损失
            loss = fluid.layers.square_error_cost(predicts, label=prices)          # 将预测值和目标值输入计算当前batch的loss
            avg_loss = fluid.layers.mean(loss)   # loss平均值
            if iter_id%20==0:        # 每20个batch输出一次
                print("epoch: {}, iter: {}, loss is: {}".format(epoch_id, iter_id, avg_loss.numpy()))
            
            # 反向传播
            avg_loss.backward()     # 方向推出一个batch的平均loss所对应的参数值
            # 最小化loss,更新参数
            opt.minimize(avg_loss)   # 更新参数
            # 清除梯度
            model.clear_gradients()
    # 保存模型
    fluid.save_dygraph(model.state_dict(), 'LR_model')     # 将每轮训练的相关参数数据赋值到一个字典中，并设置保存文件名为'LR_model'

5.保存并测试模型

• 保存模型

# 定义飞桨动态图工作环境
with fluid.dygraph.guard():
    # 保存模型参数，文件名为LR_model
    fluid.save_dygraph(model.state_dict(), 'LR_model')         # 保存带有模型参数的字典
    print("模型保存成功，模型参数保存在LR_model中")

理论而言，直接使用模型实例即可完成预测，而本教程中预测的方式为什么是先保存模型，再加载模型呢？这是因为在实际应用中，训练模型和使用模型往往是不同的场景。模型训练通常使用大量的线下服务器（不对外向企业的客户/用户提供在线服务），而模型预测则通常使用线上提供预测服务的服务器，或者将已经完成的预测模型嵌入手机或其他终端设备中使用。因此本教程的讲解方式更贴合真实场景的使用方法。

回顾下基于飞桨实现的房价预测模型，实现效果与之前基于Python实现的模型没有区别，但两者的实现成本有天壤之别。飞桨的愿景是用户只需要了解模型的逻辑概念，不需要关心实现细节，就能搭建强大的模型。

---

• 测试模型

下面我们选择一条数据样本，测试下模型的预测效果。测试过程和在应用场景中使用模型的过程一致，主要可分成如下三个步骤：

1. 配置模型预测的机器资源。本案例默认使用本机，因此无需写代码指定。
2. 将训练好的模型参数加载到模型实例中。由两个语句完成，第一句是从文件中读取模型参数；第二句是将参数内容加载到模型。加载完毕后，需要将模型的状态调整为eval()（校验）。上文中提到，训练状态的模型需要同时支持前向计算和反向传导梯度，模型的实现较为臃肿，而校验和预测状态的模型只需要支持前向计算，模型的实现更加简单，性能更好。
3. 将待预测的样本特征输入到模型中，打印输出的预测结果。

通过load_one_example函数实现从数据集中抽一条样本作为测试样本，具体实现代码如下所示。

def load_one_example(data_dir):        # direction，目录，路径
    f = open(data_dir, 'r')
    datas = f.readlines()              # 将数据按行读入
    # 选择倒数第10条数据用于测试
    tmp = datas[-10]                  # 这里的tmp只是一行字符串，数据并未分开
    tmp = tmp.strip().split()         # 去除字符串前后特殊字符（'\t'等），并且将字符串分开
    one_data = [float(v) for v in tmp]   # 将数据转化为float格式

    # 对数据进行归一化处理
    for i in range(len(one_data)-1):        # 总共有14项，将前13项房价影响因素进行归一化
        one_data[i] = (one_data[i] - avg_values[i]) / (max_values[i] - min_values[i])

    data = np.reshape(np.array(one_data[:-1]), [1, -1]).astype(np.float32)
    label = one_data[-1]
    return data, label

with dygraph.guard():             # 配置计算资源
    # 参数为保存模型参数的文件地址
    model_dict, _ = fluid.load_dygraph('LR_model')     # 加载模型
    model.load_dict(model_dict)
    model.eval()                  # 将模型转变为校验状态

    # 参数为数据集的文件地址
    test_data, label = load_one_example('./work/housing.data')
    # 将数据转为动态图的variable格式
    test_data = dygraph.to_variable(test_data)
    results = model(test_data)
    #------------------------------------------------------------------------------------------load_data() 函数中定义的全局变量global
    # # 计算train数据集的最大值，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]
    # # 记录数据的归一化参数，在预测时对数据做归一化
    # global max_values                              # 全局变量global   可以在函数体外定义和赋值的变量
    # global min_values
    # global avg_values
    # max_values = maximums
    # min_values = minimums
    # avg_values = avgs
    #------------------------------------------------------------------------------------------
    # 对结果做反归一化处理
    results = results * (max_values[-1] - min_values[-1]) + avg_values[-1]           # 返回的是得出的预测房价，将房价进行反归一化处理得到真实的房价预测值
    print("Inference result is {}, the corresponding label is {}".format(results.numpy(), label))