Loading... 课程链接：[https://aistudio.baidu.com/aistudio/education/group/info/1297](https://aistudio.baidu.com/aistudio/education/group/info/1297) ## 深度学习框架介绍 在构建模型的过程中，每一步所需要完成的任务均可以拆分成个性化和通用化两个部分。 * 个性化部分：往往是指定模型由哪些逻辑元素组合，由建模者完成。 * 通用部分：聚焦这些元素的算法实现，由深度学习框架完成。  ## 用飞桨重写房价预测模型 > 首先说明一下，代码是我看官方教程一点点手打的，可能有部分地方是按我的想法写的，与官方教程不一致，不过测试是成功运行的。 ### 导入库 首先加载相关库 ```python #加载飞桨、Numpy和相关类库 import paddle import paddle.fluid as fluid import paddle.fluid.dygraph as dygraph from paddle.fluid.dygraph import Linear import numpy as np import os import random ``` 代码中参数含义如下： - paddle/fluid：飞桨的主库，目前大部分的实用函数均在paddle.fluid包内。 - dygraph：动态图的类库。 - Linear：神经网络的全连接层函数，即包含所有输入权重相加和激活函数的基本神经元结构。在房价预测任务中，使用只有一层的神经网络（全连接层）来实现线性回归模型。 **说明：** 飞桨支持两种深度学习建模编写方式，更方便调试的动态图模式和性能更好并便于部署的静态图模式。 - 静态图模式（声明式编程范式，类比C++）：先编译后执行的方式。用户需预先定义完整的网络结构，再对网络结构进行编译优化后，才能执行获得计算结果。（写完所有代码，才能编译并执行） - 动态图模式（命令式编程范式，类比Python）：解析式的执行方式。用户无需预先定义完整的网络结构，每写一行网络代码，即可同时获得计算结果。（写一行代码就可执行） 为了学习模型和调试的方便，本教程均使用动态图模式编写模型。在后续的资深教程中，会详细介绍静态图以及将动态图模型转成静态图的方法。仅在部分场景下需要模型转换，并且是相对容易的。 ### 数据处理 和上一篇文章是一样的，拆分测试集，随机抽样，归一化，这里不细说了。 ```python def load_data(): # 数据处理 data = np.fromfile('housing.data',sep = ' ') feature_names = [ 'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV' ] feature_num = len(feature_names) data = data.reshape([data.shape[0]//feature_num,feature_num]) # 拆分训练集 ratio = 0.8 training_data = data[:int(data.shape[0]*ratio),:] # 归一化 maximums, minimums, avgs = np.max(training_data,axis = 0),np.min(training_data,axis = 0),\ np.average(training_data,axis = 0) global range_value # 定义全局变量，以便预测时仍然可以用归一化参数 global avgs_value range_value = maximums - minimums avgs_value = avgs data = (data - avgs) / range_value # 把归一化的数据重新划分为训练集和测试集 training_data = data[:int(data.shape[0]*ratio),:] test_data = data[int(data.shape[0]*ratio):,:] return training_data, test_data ``` ### 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``init``函数和``forward``函数。``forward``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``forward``函数中使用的网络层需要在``init``函数中声明。 实现过程分如下两步： 1. **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。 1. **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。 ```python class Regressor(fluid.dygraph.Layer): def __init__(self): super(Regressor, self).__init__() # 定义一层全连接层，输入维度13，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) # 网络的前向计算函数 def forward(self, inputs): x = self.fc(inputs) # self即指向实例本身，所以可以向Linear()类传入参数（大概？） return x ``` > super() 函数是用于调用父类(超类)的一个方法 来自菜鸟教程的一个例子： ```python class A: def __init__(self): self.testa = 2 def add(self, x): y = x+1+self.testa print(y) class B(A): def __init__(self): self.testa = 3 def add(self, x): super(B,self).add(x) b = B() b.add(1) ``` > 首先`Class B(A)`表示B继承了A，即A是B的父类。Super将当前的self参数传递给父类A，然后调用父类的方法add()。 ### 训练配置 训练配置包含四步：  1. 以``guard``函数指定运行训练的机器资源，表明在``with``作用域下的程序均执行在本机的CPU资源上。``dygraph.guard``表示在``with``作用域下的程序会以飞桨动态图的模式执行（实时执行）。 1. 声明定义好的回归模型Regressor实例，并将模型的状态设置为训练。 1. 使用load_data函数加载训练数据和测试数据。 1. 设置优化算法和学习率，优化算法采用随机梯度下降[SGD](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/optimizer_cn/SGDOptimizer_cn.html#cn-api-fluid-optimizer-sgdoptimizer)，学习率设置为0.01。 训练配置代码如下所示： ```python # 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()) ``` > `with`可以理解为`try …… except …… finally ……`的简化版本，回忆一下with打开文件，无论最终结果如何，该文件都会被关闭。 > > 博主在vscode上运行报`Context manager 'generator' doesn't implement __enter__ and __exit__.`错误，但是不影响执行，google也没查到结果。 **说明：** 1.默认本案例运行在读者的笔记本上，因此模型训练的机器资源为CPU。 2.模型实例有两种状态：训练状态``.train()``和预测状态``.eval()``。训练时要执行正向计算和反向传播梯度两个过程，而预测时只需要执行正向计算。为模型指定运行状态，有两点原因： （1）部分高级的算子（例如Drop out和Batch Normalization）在两个状态执行的逻辑不同。 （2）从性能和存储空间的考虑，预测状态时更节省内存，性能更好。 3.在上述代码中可以发现声明模型、定义优化器等操作都在``with``创建的 [fluid.dygraph.guard()](https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/dygraph_cn/guard_cn.html#guard)上下文环境中进行，可以理解为``with fluid.dygraph.guard()``**创建了飞桨动态图的工作环境**，在该环境下完成模型声明、数据转换及模型训练等操作。 在基于Python实现神经网络模型的案例中，我们为实现梯度下降编写了大量代码，而使用飞桨框架只需要定义SGD就可以实现优化器设置，大大简化了这个过程。 ### 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):` - **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):` **说明**: batch的取值会影响模型训练效果。batch过大，会增大内存消耗和计算时间，且效果并不会明显提升；batch过小，每个batch的样本数据将没有统计意义。由于房价预测模型的训练数据集较小，我们将batch为设置10。 整个过程代码实现： ```python with dygraph.guard(fluid.CPUPlace()): # CPU上训练 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) # 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) # 计算损失 loss = fluid.layers.square_error_cost(predicts, label=prices) avg_loss = fluid.layers.mean(loss) if iter_id%20==0: print("epoch: {}, iter: {}, loss is: {}".format(epoch_id, iter_id, avg_loss.numpy())) # 反向传播 avg_loss.backward() # 最小化loss,更新参数 opt.minimize(avg_loss) # 清除梯度 model.clear_gradients() # 保存模型 fluid.save_dygraph(model.state_dict(), 'LR_model') ``` > 飞桨训练的数据需要是内置的variable格式数据，我们拿到数据后，可以先转为np.array格式，再通过dygraph.to_variable()进行转换 > 反向传播其实就是利用随即梯度下降更新参数的过程 这部分代码直接抄的教程，说实话，有点违背我之前写python的经验了，得好好理解一下。 ### 保存并测试模型 将模型当前的参数数据``model.state_dict()``保存到文件中（通过参数指定保存的文件名 LR_model），以备预测或校验的程序调用，代码如下所示。 ```python # 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') print("模型保存成功，模型参数保存在LR_model中") ``` **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。 1. 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。 1. 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。 ```python def load_one_example(data_dir): f = open(data_dir, 'r') datas = f.readlines() # 选择倒数第10条数据用于测试 tmp = datas[-10] tmp = tmp.strip().split() one_data = [float(v) for v in tmp] # 对数据进行归一化处理 for i in range(len(one_data)-1): 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 ``` ```python with dygraph.guard(): # 参数为保存模型参数的文件地址 model_dict, _ = fluid.load_dygraph('LR_model') model.load_dict(model_dict) model.eval() # 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) # 对结果做反归一化处理 results = results * (max_values[-1] - min_values[-1]) + avg_values[-1] print("Inference result is {}, the corresponding label is {}".format(results.numpy(), label)) ``` 通过比较“模型预测值”和“真实房价”可见，模型的预测效果与真实房价接近。<hr class="content-copyright" style="margin-top:50px" /><blockquote class="content-copyright" style="font-style:normal"><p class="content-copyright">版权属于：雁陎</p><p class="content-copyright">本文链接：<a class="content-copyright" href="https://www.sitstars.com/archives/102/">https://www.sitstars.com/archives/102/</a></p><p class="content-copyright">转载时须注明出处及本声明</p></blockquote> Last modification：August 13th, 2020 at 05:42 pm © 允许规范转载