亲宝软件园·资讯

展开

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

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

相关教程
猜你喜欢
用户评论