Python PaddlePaddle机器学习之求解线性模型

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)

来源：https://juejin.cn/post/7129528216800198664