房价预测-paddle 实现

课程> 我的课程> 百度架构师手把手教深度学习> 1-4 使用飞桨重写【房价预测】模型>

1-4 使用飞桨重写【房价预测】模型

paddle初级教程第一章 第四节

王然(学生)

Notebook

教育

初级 深度学习

Python3

2019-12-23 14:36:28

启动环境 停 止 部署

版本内容

数据集

在线服务

请选择版本

草稿 2019-12-23 14:36:28

查看教师发布的版本

当读者习惯使用飞桨框架完成建模时，会发现程序呈现出“八股文”的形态。即不同的程序员使用不同模型解决不同任务的时候，他们编写的建模程序是极其相似的。虽然这在某些“极客”的眼里缺乏精彩，但从实用性的角度，这样的设计使建模者更关注需要解决的任务，而不是将精力投入在学习框架上。只要通过一个示例程序掌握使用飞桨的方法，编写实现不同任务的多种模型均变得十分容易。

这点与Python的设计思想一致：对于某个特定功能，并不是实现方式越灵活、越多样越好，最好只有一种最符合“道”的最佳实现。“道”指的是如何人类的思维习惯，当程序员第一次看到Python的很多使用方式，感觉程序天然就应该如此实现。但相信我，不是所有的编程语言都具备这样合道的设计，很多编程语言的设计思路是人应该去理解机器的运作原理。同时，灵活意味着复杂，增加了程序员之间的沟通难度，也不适合现在工业化生产软件的现实。

所以，飞桨设计的初衷不仅要易于学习，还期望使用者能够体会到它的美感和哲学，与人类最自然的认知和习惯相契合。

本书中的案例覆盖经典的预测任务、推荐系统、计算机视觉和自然语言处理等主流应用场景，但所有的案例代码结构均完全一致，分为如下5个部分。

• １. 数据处理：读取数据 和 预处理操作
• ２. 模型设计：网络结构（假设）
• ３. 训练配置：优化器（寻解算法）
• ４. 训练过程：循环调用训练过程，包括前向计算 + 计算损失（优化目标) + 后向传播
• ５. 保存模型并测试：将训练好的模型保存

下面我们使用飞桨框架，按照五个步骤重写房价预测的模型，体会下使用飞桨框架的感觉。

In[2]

#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 FC
import numpy as np
import os
import random

1. 数据处理

这部分代码不依赖框架实现，与使用Python编写神经网络模型的代码相同，不再赘述。

In[3]

def load_data():
    # 从文件导入数据
    datafile = './work/housing.data'
    data = np.fromfile(datafile, sep=' ')
<span class="hljs-comment"># 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</span>
feature_names = [ <span class="hljs-string">'CRIM'</span>, <span class="hljs-string">'ZN'</span>, <span class="hljs-string">'INDUS'</span>, <span class="hljs-string">'CHAS'</span>, <span class="hljs-string">'NOX'</span>, <span class="hljs-string">'RM'</span>, <span class="hljs-string">'AGE'</span>, \
                  <span class="hljs-string">'DIS'</span>, <span class="hljs-string">'RAD'</span>, <span class="hljs-string">'TAX'</span>, <span class="hljs-string">'PTRATIO'</span>, <span class="hljs-string">'B'</span>, <span class="hljs-string">'LSTAT'</span>, <span class="hljs-string">'MEDV'</span> ]
feature_num = len(feature_names)

<span class="hljs-comment"># 将原始数据进行Reshape，变成[N, 14]这样的形状</span>
data = data.reshape([data.shape[<span class="hljs-number">0</span>] // feature_num, feature_num])

<span class="hljs-comment"># 将原数据集拆分成训练集和测试集</span>
<span class="hljs-comment"># 这里使用80%的数据做训练，20%的数据做测试</span>
<span class="hljs-comment"># 测试集和训练集必须是没有交集的</span>
ratio = <span class="hljs-number">0.8</span>
offset = int(data.shape[<span class="hljs-number">0</span>] * ratio)
training_data = data[:offset]

<span class="hljs-comment"># 计算train数据集的最大值，最小值，平均值</span>
maximums, minimums, avgs = training_data.max(axis=<span class="hljs-number">0</span>), training_data.min(axis=<span class="hljs-number">0</span>), \
                             training_data.sum(axis=<span class="hljs-number">0</span>) / training_data.shape[<span class="hljs-number">0</span>]

<span class="hljs-comment"># 记录数据的归一化参数，在预测时对数据做归一化</span>
<span class="hljs-keyword">global</span> max_values
<span class="hljs-keyword">global</span> min_values
<span class="hljs-keyword">global</span> avg_values
max_values = maximums
min_values = minimums
avg_values = avgs

<span class="hljs-comment"># 对数据进行归一化处理</span>
<span class="hljs-keyword">for</span> i <span class="hljs-keyword">in</span> range(feature_num):
    <span class="hljs-comment">#print(maximums[i], minimums[i], avgs[i])</span>
    data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])

<span class="hljs-comment"># 训练集和测试集的划分比例</span>
<span class="hljs-comment">#ratio = 0.8</span>
<span class="hljs-comment">#offset = int(data.shape[0] * ratio)</span>
training_data = data[:offset]
test_data = data[offset:]
<span class="hljs-keyword">return</span> training_data, test_data</code></pre></div></div></div></div><div class="mc mc-container"><div class="mc-aside"></div><div class="mc-main"><div class="mc-preview"><h2>2. 模型设计</h2>

定义线性回归的网络结构，飞桨建议通过创建Python类的方式完成模型网络的定义。

1. 在类的初始化函数中定义每一层网络的实现函数，这里我们定义了一层全连接层FC，模型结构和1-2 节模型保持一致。
2. 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，本例中返回的是房价预测结果。

In[4]

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 = FC(name_scope, size=1, act=None)
<span class="hljs-comment"># 网络的前向计算函数</span>
<span class="hljs-function"><span class="hljs-keyword">def</span> <span class="hljs-title">forward</span><span class="hljs-params">(self, inputs)</span>:</span>
    x = self.fc(inputs)
    <span class="hljs-keyword">return</span> x</code></pre></div></div></div></div><div class="mc mc-container"><div class="mc-aside"></div><div class="mc-main"><div class="mc-preview"><h2>3. 训练配置</h2>

训练配置包括：

1. 声明定义好的模型。
2. 加载训练数据和测试数据。
3. 设置优化算法和学习率，本次实验优化算法使用随机梯度下降SGD，学习率使用 0.01。

说明：
在之前基于Python实现神经网络模型的案例中，我们为实现梯度下降编写了大量代码，而使用飞桨框架可以大大简化这个过程。

In[5]

# 定义飞桨动态图的工作环境
with fluid.dygraph.guard():
    # 声明定义好的线性回归模型
    model = Regressor("Regressor")
    # 开启模型训练模式
    model.train()
    # 加载数据
    training_data, test_data = load_data()
    # 定义优化算法，这里使用随机梯度下降-SGD
    # 学习率设置为0.01
    opt = fluid.optimizer.SGD(learning_rate=0.01)

注意： 上述代码中，可以发现声明模型，定义优化器等都在with创建的fluid.dygraph.guard()上下文环境中进行，可以理解为with fluid.dygraph.guard()创建了飞桨动态图的工作环境，在该环境下完成模型声明、数据转换、以及模型训练等操作。

4. 训练过程

完成训练配置后即可启动训练过程。训练采用二层循环嵌套方式：

• 内层循环负责整个数据集的一次遍历，遍历数据集采用分批次（batch）方式，假设数据集样本数量为1000，一个批次有10个样本，则遍历一次数据集的批次数量是1000/10=100，即内层循环需要循环100次；
• 外层循环定义遍历数据集的次数，本次训练中外层循环10次，通过参数EPOCH_NUM设置；

说明:
batch大小的选择会影响训练效果，batch过大会增大内存消耗，过小则每个batch的样本数据没有统计意义。本次训练数据集较小，我们设置batch为10。

在每次内层循环都需要进行前向计算、损失函数计算和梯度反向传播三个步骤，计算的过程与Python编写的模型完全一致；

1. 前向计算即将一个批次的样本数据灌入网络中，计算输出结果。
2. 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）。
3. 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）。

这个实现过程令人惊喜，前向计算、计算损失和反向传播梯度，每个操作居然只有1-2行代码即可实现！我们再也不用一点点的实现模型训练的细节，这就是使用飞桨框架的威力！

In[6]

with dygraph.guard():
    EPOCH_NUM = 10   # 设置外层循环次数
    BATCH_SIZE = 10  # 设置batch大小
<span class="hljs-comment"># 定义外层循环</span>
<span class="hljs-keyword">for</span> epoch_id <span class="hljs-keyword">in</span> range(EPOCH_NUM):
    <span class="hljs-comment"># 在每轮迭代开始之前，将训练数据的顺序随机的打乱</span>
    np.random.shuffle(training_data)
    <span class="hljs-comment"># 将训练数据进行拆分，每个batch包含10条数据</span>
    mini_batches = [training_data[k:k+BATCH_SIZE] <span class="hljs-keyword">for</span> k <span class="hljs-keyword">in</span> range(<span class="hljs-number">0</span>, len(training_data), BATCH_SIZE)]
    <span class="hljs-comment"># 定义内层循环</span>
    <span class="hljs-keyword">for</span> iter_id, mini_batch <span class="hljs-keyword">in</span> enumerate(mini_batches):
        x = np.array(mini_batch[:, :<span class="hljs-number">-1</span>]).astype(<span class="hljs-string">'float32'</span>) <span class="hljs-comment"># 获得当前批次训练数据</span>
        y = np.array(mini_batch[:, <span class="hljs-number">-1</span>:]).astype(<span class="hljs-string">'float32'</span>) <span class="hljs-comment"># 获得当前批次训练标签（真实房价）</span>
        <span class="hljs-comment"># 将numpy数据转为飞桨动态图variable形式</span>
        house_features = dygraph.to_variable(x)
        prices = dygraph.to_variable(y)
        
        <span class="hljs-comment"># 前向计算</span>
        predicts = model(house_features)
        
        <span class="hljs-comment"># 计算损失</span>
        loss = fluid.layers.square_error_cost(predicts, label=prices)
        avg_loss = fluid.layers.mean(fluid.layers.sqrt(loss))
        <span class="hljs-keyword">if</span> iter_id%<span class="hljs-number">20</span>==<span class="hljs-number">0</span>:
            print(<span class="hljs-string">"epoch: {}, iter: {}, loss is: {}"</span>.format(epoch_id, iter_id, avg_loss.numpy()))
        
        <span class="hljs-comment"># 反向传播</span>
        avg_loss.backward()
        <span class="hljs-comment"># 最小化loss,更新参数</span>
        opt.minimize(avg_loss)
        <span class="hljs-comment"># 清除梯度</span>
        model.clear_gradients()
<span class="hljs-comment"># 保存模型</span>
fluid.save_dygraph(model.state_dict(), <span class="hljs-string">'LR_model'</span>)</code></pre><div class="cc-output-item"><div class=""><pre>epoch: 0, iter: 0, loss is: [0.36573568]

epoch: 0, iter: 20, loss is: [0.33971325]
epoch: 0, iter: 40, loss is: [0.5716193]
epoch: 1, iter: 0, loss is: [0.33198822]
epoch: 1, iter: 20, loss is: [0.32750577]
epoch: 1, iter: 40, loss is: [0.20174979]
epoch: 2, iter: 0, loss is: [0.21398032]
epoch: 2, iter: 20, loss is: [0.15974538]
epoch: 2, iter: 40, loss is: [0.08182637]
epoch: 3, iter: 0, loss is: [0.13637844]
epoch: 3, iter: 20, loss is: [0.07012554]
epoch: 3, iter: 40, loss is: [0.12868139]
epoch: 4, iter: 0, loss is: [0.11150487]
epoch: 4, iter: 20, loss is: [0.12286273]
epoch: 4, iter: 40, loss is: [0.28625053]
epoch: 5, iter: 0, loss is: [0.12325518]
epoch: 5, iter: 20, loss is: [0.05488824]
epoch: 5, iter: 40, loss is: [0.04552042]
epoch: 6, iter: 0, loss is: [0.0609853]
epoch: 6, iter: 20, loss is: [0.09205151]
epoch: 6, iter: 40, loss is: [0.08044842]
epoch: 7, iter: 0, loss is: [0.11684053]
epoch: 7, iter: 20, loss is: [0.06271437]
epoch: 7, iter: 40, loss is: [0.03036864]
epoch: 8, iter: 0, loss is: [0.16721788]
epoch: 8, iter: 20, loss is: [0.10716369]
epoch: 8, iter: 40, loss is: [0.21938616]
epoch: 9, iter: 0, loss is: [0.09567357]
epoch: 9, iter: 20, loss is: [0.06019962]
epoch: 9, iter: 40, loss is: [0.08741301]

5. 保存并测试模型

在完成两层循环的训练过程后，将模型当前的参数（model.state_dict()）保存到文件中（通过参数指定保存的文件名 LR_model），以备预测或校验的程序调用。

In[26]

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

回顾下基于飞桨实现的房价预测模型，实现的效果与之前基于Python实现的模型没有区别，但两者的实现成本有天壤之别。飞桨的愿景是用户只需要了解模型的逻辑概念，不需要关心实现细节，就能搭建强大的模型。

下面我们选择一条数据样本，测试下模型的预测效果。 测试过程和在应用场景中使用模型的过程是一致的，可分成三个主要步骤。

• 首先，配置模型预测的机器资源，本案例默认使用本机，所以无需写代码指定。
• 其次，将训练好的模型参数加载到模型实例中，由两个语句完成，第一句是从文件中读取模型参数，第二句是将参数内容加载到模型。加载完毕后，需要将模型的状态调整为“校验”（evalueation）。这是因为训练状态的模型需要同时支持前向计算和反向传导梯度，模型的实现较为臃肿。而校验/预测状态的模型只需要支持前向计算，模型的实现更加简单，性能更好。
• 最后，将待预测的样本特征输入到模型中，打印输出的预测结果。比较“模型预测值”和“真实房价”可见，模型预测的效果与真实房价接近。

load_one_example函数实现了从数据集中抽一条样本作为测试样本。

In[64]

def load_one_example(data_dir):
    f = open(data_dir, 'r')
    datas = f.readlines()
    # 选择倒数第10条数据用于测试
    tmp = datas[-10]
    tmp = tmp.strip().split()
    one_data = [float(v) for v in tmp]
<span class="hljs-comment"># 对数据进行归一化处理</span>
<span class="hljs-keyword">for</span> i <span class="hljs-keyword">in</span> range(len(one_data)<span class="hljs-number">-1</span>):
    one_data[i] = (one_data[i] - avg_values[i]) / (max_values[i] - min_values[i])

data = np.reshape(np.array(one_data[:<span class="hljs-number">-1</span>]), [<span class="hljs-number">1</span>, <span class="hljs-number">-1</span>]).astype(np.float32)
label = one_data[<span class="hljs-number">-1</span>]
<span class="hljs-keyword">return</span> data, label</code></pre></div></div></div></div><div><div class="cc cc-container"><div class="cc-aside"><div class="cc-in">In[66]</div></div><div class="cc-main"><div class="cc-output"><pre><code class="hljs">

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()

<span class="hljs-comment"># 参数为数据集的文件地址</span>
test_data, label = load_one_example(<span class="hljs-string">'./work/housing.data'</span>)
<span class="hljs-comment"># 将数据转为动态图的variable格式</span>
test_data = dygraph.to_variable(test_data)
results = model(test_data)

<span class="hljs-comment"># 对结果做反归一化处理</span>
results = results * (max_values[<span class="hljs-number">-1</span>] - min_values[<span class="hljs-number">-1</span>]) + avg_values[<span class="hljs-number">-1</span>]
print(<span class="hljs-string">"Inference result is {}, the corresponding label is {}"</span>.format(results.numpy(), label))</code></pre><div class="cc-output-item"><div class=""><pre>Inference result is [[16.185738]], the corresponding label is 19.7

房价预测仅是一个最简单的模型，使用飞桨编写均可以事半功倍。那么，对于工业实践中更复杂的模型，使用飞桨节约的成本是不可估量的。同时，因为飞桨针对很多应用场景和机器资源做了性能优化，在功能和性能上往往强于自行编写的模型。

从下一章开始，我们就将通过“手写数字识别”的案例，完整的掌握使用飞桨编写模型的方方面面。