PaddlePaddle的基本使用
PaddlePaddle
基础
安装：
pip install -U paddlepaddle- GPU版本参考：安装说明
基本操作：
- 导入：
import paddle.fluid as fluid - 定义数据：
# 定义数组维度及数据类型，可以修改shape参数定义任意大小的数组data = fluid.layers.ones(shape=[5], dtype='int64')# 在CPU上执行运算place = fluid.CPUPlace()# 创建执行器exe = fluid.Executor(place)# 执行计算ones_result = exe.run(fluid.default_main_program(), # 获取数据data fetch_list=[data], return_numpy=True)# 输出结果print(ones_result[0])
- 操作数据：
# 调用 elementwise_op 将生成的一维数组按位相加add = fluid.layers.elementwise_add(data,data)# 定义运算场所place = fluid.CPUPlace()exe = fluid.Executor(place)# 执行计算add_result = exe.run(fluid.default_main_program(), fetch_list=[add], return_numpy=True)# 输出结果print (add_result[0])
线性回归
#加载库import paddle.fluid as fluidimport numpy as np#生成数据np.random.seed(0) # 设置随机种子outputs = np.random.randint(5, size=(10, 4))res = []for i in range(10): # 假设方程式为 y=4a+6b+7c+2d y = 4*outputs[i][0]+6*outputs[i][1]+7*outputs[i][2]+2*outputs[i][3] res.append([y])
上面这段代码产生了10个随机向量，每个向量包含4个元素：
然后根据向量算得一组y：
# 定义数据train_data=np.array(outputs).astype('float32')y_true = np.array(res).astype('float32')#定义网络x = fluid.layers.data(name="x",shape=[4],dtype='float32')y = fluid.layers.data(name="y",shape=[1],dtype='float32')y_predict = fluid.layers.fc(input=x,size=1,act=None)在这段代码中可以很清晰地看到样本的输入/输出空间
用机器学习的方式来表达就是：样本特征维数为4，样本数为10
#定义损失函数cost = fluid.layers.square_error_cost(input=y_predict,label=y)avg_cost = fluid.layers.mean(cost)#定义优化方法sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.05)sgd_optimizer.minimize(avg_cost)
fluid.layers层包含了各种数据及其操作的定义，这里我们用到了平方差和平均值
fluid.optimizer对优化方法进行了封装，损失函数和学习率是它的输入
这里要注意梳理各个方法之间的抽象关系
#参数初始化cpu = fluid.CPUPlace()exe = fluid.Executor(cpu)exe.run(fluid.default_startup_program())##开始训练，迭代500次for i in range(500): outs = exe.run( feed={'x':train_data,'y':y_true}, fetch_list=[y_predict.name,avg_cost.name]) if i%50==0: print ('iter={:.0f},cost={}'.format(i,outs[1][0]))feed代表训练数据（训练集），fetch_list定义了运算过程，这里我们传入了模型结构和损失函数。有了这几个要素，我们就可以对模型进行训练了。
#存储训练结果params_dirname = "result"fluid.io.save_inference_model(params_dirname, ['x'], [y_predict], exe)# 开始预测infer_exe = fluid.Executor(cpu)inference_scope = fluid.Scope()# 加载训练好的模型with fluid.scope_guard(inference_scope): [inference_program, feed_target_names, fetch_targets] = fluid.io.load_inference_model(params_dirname, infer_exe)# 生成测试数据test = np.array([[[9],[5],[2],[10]]]).astype('float32')# 进行预测results = infer_exe.run(inference_program, feed={"x": test}, fetch_list=fetch_targets)# 给出题目为 【9,5,2,10】 输出y=4*9+6*5+7*2+10*2的值print ("9a+5b+2c+10d={}".format(results[0][0]))波士顿房价预测
Step1：准备数据
BUF_SIZE=500BATCH_SIZE=20#用于训练的数据提供器，每次从缓存中随机读取批次大小的数据train_reader = paddle.batch( paddle.reader.shuffle(paddle.dataset.uci_housing.train(), buf_size=BUF_SIZE), batch_size=BATCH_SIZE) #用于测试的数据提供器，每次从缓存中随机读取批次大小的数据test_reader = paddle.batch( paddle.reader.shuffle(paddle.dataset.uci_housing.test(), buf_size=BUF_SIZE), batch_size=BATCH_SIZE)
- uci-housing数据集共506行,每行14列。前13列用来描述房屋的各种信息，最后一列为该类房屋价格中位数
- 读取uci_housing训练集和测试集:
paddle.dataset.uci_housing.train()paddle.dataset.uci_housing.test()
paddle.reader.shuffle()表示每次缓存BUF_SIZE个数据项，并进行打乱paddle.batch()表示每BATCH_SIZE组成一个batch
# 打印数据train_data=paddle.dataset.uci_housing.train();sampledata=next(train_data())print(sampledata)
Step2：网络配置
网络配置包括3块内容：1. 模型定义，2. 损失函数，3. 优化方法
模型定义
#定义输入向量x，表示13维的特征值x = fluid.layers.data(name='x', shape=[13], dtype='float32')#定义变量y,表示目标值y = fluid.layers.data(name='y', shape=[1], dtype='float32')#定义一个简单的线性网络,连接输入和输出的全连接层#input:输入tensor;#size:该层输出单元的数目#act:激活函数y_predict=fluid.layers.fc(input=x,size=1,act=None)
注意：paddle文档中把数据向量称之为‘张量’(tensor)，暂时还不知道为啥要这么称呼。不过就目前来看，这个玩意和向量没啥区别
损失函数
cost = fluid.layers.square_error_cost(input=y_predict, label=y) #求一个batch的损失值avg_cost = fluid.layers.mean(cost) #对损失值求平均值
square_error_cost(input,lable):接受输入预测值和目标值，并返回方差估计,即为（y-y_predict）的平方
优化方法
optimizer = fluid.optimizer.SGDOptimizer(learning_rate=0.001)opts = optimizer.minimize(avg_cost)
在模型配置完毕后，我们可以得到两个fluid.Program：
fluid.default_startup_program()- fluid.default_startup_program()用于执行参数初始化操作
fluid.default_main_program()- fluid.default_main_program()用于获取默认或全局main program(主程序)。
- 该主程序用于训练和测试模型。fluid.layers 中的所有layer函数可以向 default_main_program 中添加算子和变量。
- default_main_program 是fluid的许多编程接口（API）的Program参数的缺省值。例如,当用户program没有传入的时候， Executor.run() 会默认执行 default_main_program 。