编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
# helloworld示例 import paddle.fluid as fluid # 创建两个类型为int64, 形状为1*1张量 x = fluid.layers.fill_constant(shape=[1], dtype="int64", value=5) y = fluid.layers.fill_constant(shape=[1], dtype="int64", value=1) z = x + y # z只是一个对象,没有run,所以没有值 # 创建执行器 place = fluid.CPUPlace() # 指定在CPU上执行 exe = fluid.Executor(place) # 创建执行器 result = exe.run(fluid.default_main_program(), fetch_list=[z]) # 返回哪个结果 print(result) # result为多维张量
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
import paddle.fluid as fluid import numpy # 创建x, y两个2行3列,类型为float32的变量(张量) x = fluid.layers.data(name="x", shape=[2, 3], dtype="float32") y = fluid.layers.data(name="y", shape=[2, 3], dtype="float32") x_add_y = fluid.layers.elementwise_add(x, y) # 两个张量按元素相加 x_mul_y = fluid.layers.elementwise_mul(x, y) # 两个张量按元素相乘 place = fluid.CPUPlace() # 指定在CPU上执行 exe = fluid.Executor(place) # 创建执行器 exe.run(fluid.default_startup_program()) # 初始化网络 a = numpy.array([[1, 2, 3], [4, 5, 6]]) # 输入x, 并转换为数组 b = numpy.array([[1, 1, 1], [2, 2, 2]]) # 输入y, 并转换为数组 params = {"x": a, "y": b} outs = exe.run(fluid.default_main_program(), # 默认程序上执行 feed=params, # 喂入参数 fetch_list=[x_add_y, x_mul_y]) # 获取结果 for i in outs: print(i)
编辑
编辑
编辑
# 简单线性回归 import paddle import paddle.fluid as fluid import numpy as np import matplotlib.pyplot as plt train_data = np.array([[0.5], [0.6], [0.8], [1.1], [1.4]]).astype('float32') y_true = np.array([[5.0], [5.5], [6.0], [6.8], [6.8]]).astype('float32') # 定义数据数据类型 x = fluid.layers.data(name="x", shape=[1], dtype="float32") y = fluid.layers.data(name="y", shape=[1], dtype="float32") # 通过全连接网络进行预测 y_preict = fluid.layers.fc(input=x, size=1, act=None) # 添加损失函数 cost = fluid.layers.square_error_cost(input=y_preict, label=y) avg_cost = fluid.layers.mean(cost) # 求均方差 # 定义优化方法 optimizer = fluid.optimizer.SGD(learning_rate=0.01) optimizer.minimize(avg_cost) # 指定最小化均方差值 # 搭建网络 place = fluid.CPUPlace() # 指定在CPU执行 exe = fluid.Executor(place) exe.run(fluid.default_startup_program()) # 初始化系统参数 # 开始训练, 迭代100次 costs = [] iters = [] values = [] params = {"x": train_data, "y": y_true} for i in range(200): outs = exe.run(feed=params, fetch_list=[y_preict.name, avg_cost.name]) iters.append(i) # 迭代次数 costs.append(outs[1][0]) # 损失值 print("i:", i, " cost:", outs[1][0]) # 线性模型可视化 tmp = np.random.rand(10, 1) # 生成10行1列的均匀随机数组 tmp = tmp * 2 # 范围放大到0~2之间 tmp.sort(axis=0) # 排序 x_test = np.array(tmp).astype("float32") params = {"x": x_test, "y": x_test} # y参数不参加计算,只需传一个参数避免报错 y_out = exe.run(feed=params, fetch_list=[y_preict.name]) # 预测 y_test = y_out[0] # 损失函数可视化 plt.figure("Trainging") plt.title("Training Cost", fontsize=24) plt.xlabel("Iter", fontsize=14) plt.ylabel("Cost", fontsize=14) plt.plot(iters, costs, color="red", label="Training Cost") # 绘制损失函数曲线 plt.grid() # 绘制网格线 plt.savefig("train.png") # 保存图片 # 线性模型可视化 plt.figure("Inference") plt.title("Linear Regression", fontsize=24) plt.plot(x_test, y_test, color="red", label="inference") # 绘制模型线条 plt.scatter(train_data, y_true) # 原始样本散点图 plt.legend() plt.grid() # 绘制网格线 plt.savefig("infer.png") # 保存图片 plt.show() # 显示图片
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
编辑
# 多元回归示例:波士顿房价预测 ''' 数据集介绍: 1) 共506行,每行14列,前13列描述房屋特征信息,最后一列为价格中位数 2) 考虑了犯罪率(CRIM) 宅用地占比(ZN) 非商业用地所占尺寸(INDUS) 查尔斯河虚拟变量(CHAS) 环保指数(NOX) 每栋住宅的房间数(RM) 1940年以前建成的自建单位比例(AGE) 距离5个波士顿就业中心的加权距离(DIS) 距离高速公路便利指数(RAD) 每一万元不动产税率(TAX) 教师学生比(PTRATIO) 黑人比例(B) 房东属于中低收入比例(LSTAT) ''' import paddle import paddle.fluid as fluid import numpy as np import os import matplotlib.pyplot as plt # step1: 数据准备 # paddle提供了uci_housing训练集、测试集,直接读取并返回数据 BUF_SIZE = 500 BATCH_SIZE = 20 # 训练数据集读取器 random_reader = paddle.reader.shuffle(paddle.dataset.uci_housing.train(), buf_size=BUF_SIZE) # 创建随机读取器 train_reader = paddle.batch(random_reader, batch_size=BATCH_SIZE) # 训练数据读取器 # 打印数据 #train_data = paddle.dataset.uci_housing.train() #for sample_data in train_data(): # print(sample_data) # step2: 配置网络 # 定义输入、输出,类型均为张量 x = fluid.layers.data(name="x", shape=[13], dtype="float32") y = fluid.layers.data(name="y", shape=[1], dtype="float32") # 定义个简单的线性网络,连接输出层、输出层 y_predict = fluid.layers.fc(input=x, # 输入数据 size=1, # 输出值个数 act=None) # 激活函数 # 定义损失函数,并将损失函数指定给优化器 cost = fluid.layers.square_error_cost(input=y_predict, # 预测值,张量 label=y) # 期望值,张量 avg_cost = fluid.layers.mean(cost) # 求损失值平均数 optimizer = fluid.optimizer.SGDOptimizer(learning_rate=0.001) # 使用随机梯度下降优化器 opts = optimizer.minimize(avg_cost) # 优化器最小化损失值 # 创建新的program用于测试计算 test_program = fluid.default_main_program().clone(for_test=True) # step3: 模型训练、模型评估 place = fluid.CPUPlace() exe = fluid.Executor(place) exe.run(fluid.default_startup_program()) feeder = fluid.DataFeeder(place=place, feed_list=[x, y]) iter = 0 iters = [] train_costs = [] EPOCH_NUM = 120 model_save_dir = "../model/uci_housing" # 模型保存路径 for pass_id in range(EPOCH_NUM): train_cost = 0 i = 0 for data in train_reader(): i += 1 train_cost = exe.run(program=fluid.default_main_program(), feed=feeder.feed(data), fetch_list=[avg_cost]) if i % 20 == 0: # 每20笔打印一次损失函数值 print("PassID: %d, Cost: %0.5f" % (pass_id, train_cost[0][0])) iter = iter + BATCH_SIZE # 加上每批次笔数 iters.append(iter) # 记录笔数 train_costs.append(train_cost[0][0]) # 记录损失值 # 保存模型 if not os.path.exists(model_save_dir): # 如果存储模型的目录不存在,则创建 os.makedirs(model_save_dir) fluid.io.save_inference_model(model_save_dir, # 保存模型的路径 ["x"], # 预测需要喂入的数据 [y_predict], # 保存预测结果的变量 exe) # 模型 # 训练过程可视化 plt.figure("Training Cost") plt.title("Training Cost", fontsize=24) plt.xlabel("iter", fontsize=14) plt.ylabel("cost", fontsize=14) plt.plot(iters, train_costs, color="red", label="Training Cost") plt.grid() plt.savefig("train.png") # step4: 模型预测 infer_exe = fluid.Executor(place) # 创建用于预测的Executor infer_scope = fluid.core.Scope() # 修改全局/默认作用域, 运行时中的所有变量都将分配给新的scope infer_result = [] #预测值列表 ground_truths = [] #真实值列表 # with fluid.scope_guard(infer_scope): # 加载模型,返回三个值 # program: 预测程序(包含了数据、计算规则) # feed_target_names: 需要喂入的变量 # fetch_targets: 预测结果保存的变量 [infer_program, feed_target_names, fetch_targets] = \ fluid.io.load_inference_model(model_save_dir, # 模型保存路径 infer_exe) # 要执行模型的Executor # 获取测试数据 infer_reader = paddle.batch(paddle.dataset.uci_housing.test(), batch_size=200) # 测试数据读取器 test_data = next(infer_reader()) # 获取一条数据 test_x = np.array([data[0] for data in test_data]).astype("float32") test_y = np.array([data[1] for data in test_data]).astype("float32") x_name = feed_target_names[0] # 模型中保存的输入参数名称 results = infer_exe.run(infer_program, # 预测program feed={x_name: np.array(test_x)}, # 喂入预测的值 fetch_list=fetch_targets) # 预测结果 # 预测值 for idx, val in enumerate(results[0]): print("%d: %.2f" % (idx, val)) infer_result.append(val) # 真实值 for idx, val in enumerate(test_y): print("%d: %.2f" % (idx, val)) ground_truths.append(val) # 可视化 plt.figure('scatter') plt.title("TestFigure", fontsize=24) plt.xlabel("ground truth", fontsize=14) plt.ylabel("infer result", fontsize=14) x = np.arange(1, 30) y = x plt.plot(x, y) plt.scatter(ground_truths, infer_result, color="green", label="Test") plt.grid() plt.legend() plt.savefig("predict.png") plt.show()
编辑