飞桨 百度架构师手把手带你零基础实践深度学习21天 学习笔记——使用飞桨重写波士顿房价预测模型

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

1. 定义工作环境

2. 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。

3. 开启训练模式

4. 读取数据

5. 定义优化算法SDG，定义学习率0.01

6. 开始训练
   双层循环+四个步骤
   （先将数据格式写为numpy.array格式）

7. 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。

8. 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 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

#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