AI Studio 飞桨 零基础入门深度学习笔记3-使用飞桨重写房价预测模型

• 飞桨深度学习平台设计之“道”
• 使用飞桨构建波士顿房价预测模型
• 数据处理
• 模型设计
• 训练配置
• 训练过程
• 保存并测试模型
• 保存模型
• 测试模型

飞桨深度学习平台设计之“道”

当读者习惯使用飞桨框架后会发现程序呈现出“八股文”的形态，即不同的程序员、使用不同模型、解决不同任务的时候，他们编写的建模程序是极其相似的。虽然这些设计在某些“极客”的眼里缺乏精彩，但从实用性的角度，我们更期望建模者聚焦需要解决的任务，而不是将精力投入在框架的学习上。因此使用飞桨编写模型是有标准的套路设计的，只要通过一个示例程序掌握使用飞桨的方法，编写不同任务的多种建模程序将变得十分容易。

这点与Python的设计思想一致：对于某个特定功能，并不是实现方式越灵活、越多样越好，最好只有一种符合“道”的最佳实现。此处“道”指的是如何更加匹配人的思维习惯。当程序员第一次看到Python的多种应用方式时，感觉程序天然就应该如此实现。但相信我，不是所有的编程语言都具备这样合“道”的设计，很多编程语言的设计思路是人需要去理解机器的运作原理，而不能以人类习惯的方式设计程序。同时，灵活意味着复杂，会增加程序员之间的沟通难度，也不适合现代工业化生产软件的趋势。

飞桨设计的初衷不仅要易于学习，还期望使用者能够体会到它的美感和哲学，与人类最自然的认知和使用习惯契合。

使用飞桨构建波士顿房价预测模型

本书中的案例覆盖计算机视觉、自然语言处理和推荐系统等主流应用场景，所有案例的代码结构完全一致，如 图1 所示。

图1：使用飞桨框架构建神经网络过程

在之前的章节中，我们学习了使用Python和Numpy构建波士顿房价预测模型的方法，本节课我们将尝试使用飞桨重写房价预测模型，大家可以体会一下二者的异同。在数据处理之前，需要先加载飞桨框架的相关类库。

#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

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。
• 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。

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

数据处理的代码不依赖框架实现，与使用Python构建房价预测任务的代码相同（详细解读请参考《使用Python和Numpy构建神经网络模型》章节），这里不再赘述。

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

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，模型结构和《使用Python和Numpy构建神经网络模型》章节模型保持一致。
2. 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。

class Regressor(fluid.dygraph.Layer):def __init__(self):super(Regressor, self).__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

训练配置

训练配置过程包含四步，如 图2 所示：

图2：训练配置流程示意图

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）。

2. 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。
3. 使用load_data函数加载训练数据和测试数据。
4. 设置优化算法和学习率，优化算法采用随机梯度下降SGD，学习率设置为0.01。

训练配置代码如下所示：

# 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())

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。

1. 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()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。

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()):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\')

epoch: 0, iter: 0, loss is: [0.05895834]epoch: 0, iter: 20, loss is: [0.16391249]epoch: 0, iter: 40, loss is: [0.01065463]epoch: 1, iter: 0, loss is: [0.03831842]epoch: 1, iter: 20, loss is: [0.03243498]epoch: 1, iter: 40, loss is: [0.04288284]epoch: 2, iter: 0, loss is: [0.06911991]epoch: 2, iter: 20, loss is: [0.02552466]epoch: 2, iter: 40, loss is: [0.08904766]epoch: 3, iter: 0, loss is: [0.02272321]epoch: 3, iter: 20, loss is: [0.08702058]epoch: 3, iter: 40, loss is: [0.06563548]epoch: 4, iter: 0, loss is: [0.05419273]epoch: 4, iter: 20, loss is: [0.07148241]epoch: 4, iter: 40, loss is: [0.14443952]epoch: 5, iter: 0, loss is: [0.05189361]epoch: 5, iter: 20, loss is: [0.05913492]epoch: 5, iter: 40, loss is: [0.01960376]epoch: 6, iter: 0, loss is: [0.05729854]epoch: 6, iter: 20, loss is: [0.03217105]epoch: 6, iter: 40, loss is: [0.12459204]epoch: 7, iter: 0, loss is: [0.03080832]epoch: 7, iter: 20, loss is: [0.06198589]epoch: 7, iter: 40, loss is: [0.1325061]epoch: 8, iter: 0, loss is: [0.10919003]epoch: 8, iter: 20, loss is: [0.06500305]epoch: 8, iter: 40, loss is: [0.10765713]epoch: 9, iter: 0, loss is: [0.06561176]epoch: 9, iter: 20, loss is: [0.04339098]epoch: 9, iter: 40, loss is: [0.07022676]

这个实现过程令人惊喜，前向计算、计算损失和反向传播梯度，每个操作居然只有1-2行代码即可实现！我们再也不用一点点的实现模型训练的细节，这就是使用飞桨框架的威力！

保存并测试模型

保存模型

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。

# 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\")

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):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

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))

Inference result is [[21.679201]], the corresponding label is 19.7

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。房价预测仅是一个最简单的模型，使用飞桨编写均可事半功倍。那么对于工业实践中更复杂的模型，使用飞桨节约的成本是不可估量的。同时飞桨针对很多应用场景和机器资源做了性能优化，在功能和性能上远强于自行编写的模型。

从下一章开始，我们将通过“手写数字识别”的案例，完整掌握使用飞桨编写模型的方方面面。