使用飞桨书写模型的时候,流程与前面介绍的是一摸一样的。
下面开始总结一下如何使用飞桨写模型
加载飞桨库
主库:paddle/fluid
动态图类库:digraph(便于调试)
静态图模式(声明式编程范式,类比C++) | 动态图模式 (命令式编程范式,类比Python) |
---|---|
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。 | 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。 |
全连接层:Linear(可激活指定性函数)
数据处理
此部分包括数据导入、修改格式、分为训练测试集、数据归一化处理。
在飞桨中书写与前面完全一致。
模型设计
实质为定义线性回归的结构。
需要用到两种函数,init函数和forward函数。
init | forward |
---|---|
在类的初始化函数中声明每一层网络的实现函数。 | 构建神经网络结构,实现前向计算过程,并返回预测结果。 |
注:我们这里不使用激活函数
训练配置
-
定义工作环境
-
定义模型(有训练和预测状态)
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,在计算机视觉的章节会详细介绍)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。 -
开启训练模式
-
读取数据
-
定义优化算法SDG,定义学习率0.01
-
开始训练
双层循环+四个步骤
(先将数据格式写为numpy.array格式) -
保存模型
先保存,加载,再进行测试。因为模型可以应用到不同的场景。 -
加载模型,进行预测
(1)生产模型实例,配置资源。
(2)加载模型参数,设置模型状态为“eval”(因为预测时,不需要反向传播梯度)
(3)调用模型,打印预测值与真实值
总结:编写成本大降低
感悟:飞桨提供了一个深度学习框架,可以达到事半功倍的效果。学习这一章之后其实我能够发现代码编写过程大大的减少了,但是飞桨的一些函数的定义与调用还没有特别的清楚,在init函数和forward函数的定义上还是不够理解,需要在接下来的学习过程中,去更好的理解和了解。
下面书写一下使用飞桨重写波士顿房价预测模型
直接使用python的案例在这里:完整步骤
#加载飞桨、Numpy和相关类库import paddleimport paddle.fluid as fluidimport paddle.fluid.dygraph as dygraphfrom paddle.fluid.dygraph import Linearimport numpy as npimport osimport random#数据处理,此部分与前面的完全一致,飞桨的优化主要在模型设计和训练配置上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 = 0.8offset = 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_valuesglobal min_valuesglobal avg_valuesmax_values = maximumsmin_values = minimumsavg_values = avgs# 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#ratio = 0.8#offset = int(data.shape[0] * ratio)training_data = data[:offset]test_data = data[offset:]return training_data, test_data#定义线性回归模型class Regressor(fluid.dygraph.Layer):def __init__(self):super(Regressor, self).__init__()#调用父类的函数init# 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)# 网络的前向计算函数def forward(self, inputs):x = self.fc(inputs)return x# 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0.01opt = fluid.optimizer.SGD(learning_rate=0.01, parameter_list=model.parameters())with dygraph.guard(fluid.CPUPlace()):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\')# 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_modelfluid.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, labelwith 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))