PaddlePaddle实现波士顿房价预测

AIStudio地址
Github地址

#加载飞桨、Numpy 和相关库
import paddle
import paddle.fluid as fluid               # 飞桨主库
import paddle.fluid.dygraph as dygraph     # 动态图类库
from paddle.fluid.dygraph import Linear
import numpy as np
import random
import os

数据预处理

数据预处理主要包含五个部分：数据导入、数据形状变换、数据集划分、数据归一化处理、封装 load_data 函数。

# 数据预处理def load_data():# 从文件读取数据datafile = './work/housing.data'data = np.fromfile(datafile, sep=" ")     # 从文本或二进制文件中构造一个数组# 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_name = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV']# 统计字段个数feature_num = len(feature_name)# 将原始数据进行reshape， 变成 [N, 14]的形状# N = data.shape[0]//feature_numdata = data.reshape([data.shape[0]//feature_num, feature_num])# 将原始数据及拆分为训练集和测试集（8：2）ratio = 0.8offset = int(data.shape[0]*ratio)training_data = data[:offset]# 计算训练集的max, min, meanmaximums, 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):data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])# 训练集和测试集的化分training_data = data[:offset]test_data = data[offset:]return training_data, test_data

# 查看数据
training_data , test_data = load_data()
print(training_data,test_data)print("~"*20)# 查看第一个训练样本数据
x = training_data[:, :-1]
y = training_data[:, -1:]
print(x[0])     #前13个影响因素
print(y[0])     #第14个房价中位数

搭建神经网络

线性回归模型采用线性激活函数( linear activation )的全连接层 ( fully-connected layer, fc_layer )，因此在飞桨中利用全连接层模型构造线性回归，这样，一个全连接层就可以看作一个简单的神经网络。

搭建神经网络类似于使用积木搭建宝塔。在飞桨中，网络层（layer）是积木，而神经网络是要搭建的宝塔。我们使用不同的layer进行组合，来搭建神经网络。飞桨建议通过创建Python类的方式完成模型网络的定义，即__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。

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。

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。

# 配置网络结构
class Regressor(fluid.dygraph.Layer):def __init__(self,name_scope):super(Regressor,self).__init__(name_scope)name_scope = self.full_name()# 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,input):x = self.fc(input)return x

训练配置

指定运行训练的机器资源：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作用于下的程序会以动态图的模式执行（实时执行）。
声明模型实例：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。
加载训练和测试数据：使用load_data 函数加载训练数据和测试数据。
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.

# 初始化with fluid.dygraph.guard():'''在paddlepaddle中，模型实例有两个状态：train()和eval()。训练时要执行正向计算和反向传播梯度两个过程，而预测只需要执行正向计算。另外，with fluid.dygraph.guard()创建了飞桨动态图的工作环境，在该环境中完成模型声明、数据转换及模型训练等。'''# 声明定义好的线性回归模型（Regressor）model = Regressor('Regressor')model.train()# 数据加载training_data, test_data = load_data()print(training_data[10:20])# 定义优化算法，SGD# 学习率设置为0.01opt = fluid.optimizer.SGD(learning_rate=0.01, parameter_list= model.parameters())

模型训练

模型训练过程采用内层循环和外层循环嵌套的方式。

内层循环负责整个数据集的一次遍历，采用分批次(batch)方式。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，且效果不会明显提升；batch过小，每个batch的样本数据将没有统计意义。

内循环四个步骤：

数据准备：将一个批次的数据转变为np.array和内置格式。
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。
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）.
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。

外层循环定义遍历数据集的次数，通过参数EPOCH_NUM设置。

# 定义训练过程
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):# 获得当前批次训练数据x = np.array(mini_batch[:,:-1]).astype('float32')# 获得当前批次训练标签（真是房价）y = np.array(mini_batch[:,-1:]).astype('float32')# 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)# 正向计算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()fluid.save_dygraph(model.state_dict(),"LR_model")

保存并测试模型

首先我们将模型当前的参数数据model.state_dict()保存在文件中（通过参数指定保存的文件LR_model），以备预测或校验的程序调用。

# 定义飞桨动态图工作环境
with fluid.dygraph.guard():# 保存模型参数，文件为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

然后可以对模型进行测试，测试过程与在应用场景中使用模型的过程一致，主要分为如下三个步骤：

（1）、配置模型预测的机器资源；

（2）、将训练好的模型参数加载到模型。加载完毕后，需要将模型的状态调整为evaluation（校验）。

（3）、将待预测的样本特征输入模型中，打印输出的预测结果。

通过load_one_example函数从数据集中抽出一条样本作为测试样本。

# 读取测试样本
def load_one_example(data_dir):f = open(data_dir, 'r')datas = f.readlines()# 选择倒数第十条数据用于测试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# 测试模型
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)# 对结果进行反归一化处理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 [[14.326102]], the corresponding label is 19.7