Python 线性模型
ZacheryZHANG 人气:0前言
飞桨(PaddlePaddle)是集深度学习核心框架、工具组件和服务平台为一体的技术先进、功能完备的开源深度学习平台
1. 任务描述
- 乘坐出租车的时候,会有一个10元的起步价,只要上车就需要收取该起步价。
- 出租车每行驶1公里,需要再支付2元的行驶费用(2元/公里)
- 当一个乘客做完出租车之后,车上的计价器需要算出来该乘客需要支付的乘车费用。
如果以数学模型的角度可以很容易的解除该题的线性关系,及 Y=2x+10Y=2x+10,其中YY 为最终所需费用,xx 为行驶公里数。
试想,我们用机器学习的方法进行训练是不是也可以解决该问题呢,让机器来给我们推算出 YY 与 xx 的关系。即:知道乘客乘坐公里数和支付费用,但是并不知道每公里行驶费和起步价。
2. 代码演练
首先,我们以数学模型建立关系式,定义计价收费函数。该函数用来生成机器学习的数据集。定义好函数以后,接下来,我们传入6个数据(x),该函数可以计算出对应的Y值(也就是机器学习训练用到的真实值)。
def calculate_fee(distance_travelled): return 10+ 2*distance_travelled for x in [1.0, 3.0, 5.0, 9.0, 10.0, 20.0]: print(calculate_fee(x))
接下来开始搭建线性回归。
2.1 数组转张量
将输入数据与输出结果数组转为张量:
import paddle import numpy x_data = paddle.to_tensor([[1.0], [3.0], [5.0], [9.0], [10.0], [20.0]]) y_data = paddle.to_tensor([[12.0],[16.0],[20.0],[28.0],[30.0],[50.0]])
linear = paddle.nn.Linear(in_features=1,out_features=1) # 随机初始化w,b w_before_opt = linear.weight.numpy().item() b_before_opt = linear.bias.numpy().item() # 打印初始w,b print(w_before_opt,b_before_opt) mse_loss = paddle.nn.MSELoss() sgd_optimizer = paddle.optimizer.SGD(learning_rate=0.001, parameters=linear.parameters()) total_epoch = 5000 for i in range(total_epoch): y_predict = linear(x_data) loss = mse_loss(y_predict,y_data) # 反向传播(求梯度) loss.backward() # 优化器往前走一步:求出的梯度给优化器用调参 sgd_optimizer.step() # 优化器把调完参数所用的梯度去清掉,下次再去求 sgd_optimizer.clear_gradients() # 打印信息 if i % 1000 == 0: print(i,loss.numpy()) print("finish training, loss = {}".format(loss.numpy()) ) w_after_opt = linear.weight.numpy().item() b_after_opt = linear.bias.numpy().item() print(w_after_opt,b_after_opt)
加载全部内容