paddle初次使用 hello paddle

为了能够使用飞桨,需要先用python的import语句导入飞桨paddle。

import paddle
#print("paddle " + paddle.__version__)

现在面临这样一个任务:
乘坐出租车的时候,会有一个10元的起步价,只要上车就需要收取。出租车每行驶1公里,需要再支付每公里2元的行驶费用。当一个乘客坐完出租车之后,车上的计价器需要算出来该乘客需要支付的乘车费用。
我们可以通过数学方法通过x来计算y

def calculate_fee(distance_travelled):
    return 10 + 2 * distance_travelled

for x in [1.0, 3.0, 5.0, 9.0, 10.0, 20.0]:
    print(calculate_fee(x))
12.0
16.0
20.0
28.0
30.0
50.0
total_fee = w * distance_travelled + b

费用和距离有一个线性关系
如果我们只有费用和距离的数据,而不知道起步价和每公里的费用,我们可以使用网络来拟合这些数据。
现在使用paddle来学习参数w和b



# 可以用paddle.to_tensor把示例数据转换为paddle的Tensor数据。
x_data = paddle.to_tensor([[1.], [3.0], [5.0], [9.0], [10.0], [20.0]])
y_data = paddle.to_tensor([[12.], [16.0], [20.0], [28.0], [30.0], [50.0]])
# 用飞桨的线性变换层
linear = paddle.nn.Linear(in_features=1, out_features=1)
#最简单的均方误差(mean square error)作为损失函数(paddle.nn.MSELoss);和最常见的优化算法SGD(stocastic gradient descent)作为优化算法(传给paddle.optimizer.SGD的参数learning_rate,你可以理解为控制每次调整的步子大小的参数)。
mse_loss = paddle.nn.MSELoss()
sgd_optimizer = paddle.optimizer.SGD(learning_rate=0.001, parameters = linear.parameters())
total_epoch = 5000
for i in range(total_epoch):
    y_predict = linear(x_data)
    loss = mse_loss(y_predict, y_data)
    loss.backward()
    sgd_optimizer.step()
    sgd_optimizer.clear_grad()
    
    if i%1000 == 0:
        print("epoch {} loss {}".format(i, loss.numpy()))
        
print("finished training, loss {}".format(loss.numpy()))

结果:

epoch 0 loss [328.8153]
epoch 1000 loss [8.201832]
epoch 2000 loss [1.8338685]
epoch 3000 loss [0.41004065]
epoch 4000 loss [0.09168116]
finished training, loss [0.0205305]

自己的思考:
训练网络前要定义模型、损失函数和优化器。
线性模型可以定义为: y = weights*x_data + biases
定义模型起始就是定义x和y之间的函数
也可以定义多层神经网络作为模型,函数为y=多层神经网络(x)

你可能感兴趣的:(深度学习,paddle,paddlepaddle,python)