百度飞浆paddlepaddle之简单线性回归（一）

一.HelloWord

import paddle.fluid as fluid

#创建两个常量
x=fluid.layers.fill_constant(shape=[1], #张量的维度
                             dtype='int64', #类型
                             value=5) #值

y=fluid.layers.fill_constant(shape=[1], #张量的维度
                             dtype='int64', #类型
                             value=1) #值
# 定义计算规则
z=x + y

#创建执行器
place=fluid.CPUPlace() #指定在CPU上运行
exe=fluid.Executor(place) #创建执行器
result=exe.run(fluid.default_main_program(),#执行
               fetch_list=[z]) #取出变量z的值

print(result[0][0])

二.两个张量计算

import paddle.fluid as fluid
import numpy  as np

#创建两个张量
x=fluid.layers.data(name='x',
                    shape=[1],
                    dtype='float32')

y=fluid.layers.data(name='y',
                    shape=[1],
                    dtype='float32')
#张量按元素相加
result=fluid.layers.elementwise_add(x,y)

#创建执行器
place=fluid.CPUPlace()
exe=fluid.Executor(place)
exe.run(fluid.default_startup_program())#初始化系统参数

a=np.array([[1,1,1],[2,2,2]])
b=np.array([[3,3,3],[4,4,4]])

params={"x":a,"y":b}
outs=exe.run(fluid.default_main_program(), #执行默认主程序
             feed=params, #喂入数据
             fetch_list=[result]) #获取result变量的值
for i in outs:
    print(i)
 ===============================
[[4 4 4]
 [6 6 6]]

三.简单线性回归

#简单线性回归
import paddle
import paddle.fluid as fluid
import numpy as np
import matplotlib.pyplot as mp

#1.定义数据
train_data=np.array([[1.0],[2.0],[3.0],[4.0]]).astype("float32")
y_true=np.array([[2.0],[4.0],[6.0],[8.0]]).astype("float32")

x=fluid.layers.data(name="x",shape=[1],dtype="float32")
y=fluid.layers.data(name="y",shape=[1],dtype="float32")

#2.搭建网络（全连接网络、优化器）
y_predict=fluid.layers.fc(input=x,#输入
                          size=1,#输出值得个数
                          act=None)#指定激活的函数

#以均方差作为损失函数
cost=fluid.layers.square_error_cost(input=y_predict,#预测值
                                    label=y) #期望值
avg_cost=fluid.layers.mean(cost) #求均方差
#定义优化器
optimizer=fluid.optimizer.SGD(learning_rate=0.01) #随机梯度下降
#求最小化均方差
optimizer.minimize(avg_cost)
#3.执行训练
place=fluid.CPUPlace
exe=fluid.Executor(place) #执行器
exe.run(fluid.default_startup_program())#初始化系统参数

costs=[] #每一步的损失
iters=[] #迭代的次数
values=[] #预测值
params={"x":train_data,"y":y_true} #真实数据
for i in range(200):
    outs=exe.run(fluid.default_main_program(),
                 feed=params, #喂入数据
                 fetch_list=[y_predict,avg_cost.name])
    iters.append(i) #记录次数  可视化用
    values.append(outs[0][0]) #预测值
    costs.append(outs[1][0]) #损失值
    print(i,":",outs[1][0])#打印每一步的损失值
#4.训练过程可视化
mp.title('Training Cost',fontsize=24)  #注意  写figure是报错的
mp.xlabel('Iter',fontsize=14)
mp.ylabel('Cost',fontsize=14)
mp.plot(iters,costs,color="red",label="Training value")
mp.plot(iters,values,color="blue",label="Predict value")
mp.grid(linestyle=":")
mp.legend()
mp.show()
mp.savefig("train.png")  #偶尔图片不出来，用save又出来了

部分截图

大概10多20多次基本趋于稳定了，所以后面的次数相当于白做了。