import paddle.fluid as fluid
import paddle
import numpy as np
import os
import matplotlib.pyplot as plt
import matplotlib
def menu():
print("*" * 100)
print("1.数据处理")
print("2.模型设计")
print("3.训练配置")
print("4.训练过程")
print("5.保存并测试")
print("*" * 100)
def draw_train_process(iters, train_costs):
title = "training cost"
plt.title(title, fontsize=24)
plt.xlabel("iter", fontsize=14)
plt.ylabel("cost", fontsize=14)
plt.plot(iters, train_costs, color='red', label='training cost')
plt.grid()
# plt.show()
matplotlib.use('Agg')
plt.savefig('./1.png')
# 绘制真实值和预测值对比图
def draw_infer_result(groud_truths, infer_results):
title = 'Boston'
plt.title(title, fontsize=24)
x = np.arange(1, 20)
y = x
plt.plot(x, y)
plt.xlabel('ground truth', fontsize=14)
plt.ylabel('infer result', fontsize=14)
plt.scatter(groud_truths, infer_results, color='green', label='training cost')
plt.grid()
matplotlib.use('Agg')
# plt.show()
plt.savefig('./2.png')
if __name__ == '__main__':
menu()
# matplotlib.use('TkAgg')
BUF_SIZE = 500
BATCH_SIZE = 20
# 1.数据读取.
# 用于训练的数据提供器,每次从缓存中随机读取批次大小的数据
train_reader = paddle.batch(
paddle.reader.shuffle(paddle.dataset.uci_housing.train(),
buf_size=BUF_SIZE),
batch_size=BATCH_SIZE)
# 用于测试的数据提供器,每次从缓存中随机读取批次大小的数据
test_reader = paddle.batch(
paddle.reader.shuffle(paddle.dataset.uci_housing.test(),
buf_size=BUF_SIZE),
batch_size=BATCH_SIZE)
# 2.网络配置
# 2.1网络搭建
# 定义张量变量x,表示13维的特征值
x = fluid.layers.data(name='x', shape=[13], dtype='float32')
# 定义张量y,表示目标值
y = fluid.layers.data(name='y', shape=[1], dtype='float32')
# 定义一个简单的线性网络,连接输入和输出的全连接层
# input:输入tensor;
# size:该层输出单元的数目
# act:激活函数
y_predict = fluid.layers.fc(input=x, size=1, act=None)
# 2.2 定义损失函数
cost = fluid.layers.square_error_cost(input=y_predict, label=y) # 求一个batch的损失值
avg_cost = fluid.layers.mean(cost) # 对损失值求平均值
# 2.3 定义优化函数
optimizer = fluid.optimizer.SGDOptimizer(learning_rate=0.001)
opts = optimizer.minimize(avg_cost)
test_program = fluid.default_main_program().clone(for_test=True)
# 3.模型训练和模型评估
# 3.1创建Executor
use_cuda = False # use_cuda为False,表示运算场所为CPU;use_cuda为True,表示运算场所为GPU
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
exe = fluid.Executor(place) # 创建一个Executor实例exe
exe.run(fluid.default_startup_program()) # Executor的run()方法执行startup_program(),进行参数初始化
# 3.2定义输入数据维度
feeder = fluid.DataFeeder(place=place, feed_list=[x, y]) # feed_list:向模型输入的变量表或变量表名
# 3.3定义绘制训练过程的损失值变化趋势的方法draw_train_process
iter = 0
iters = []
train_costs = []
# 3.4训练并保存模型
EPOCH_NUM = 50
model_save_dir = "./work/fit_a_line.inference.model"
for pass_id in range(EPOCH_NUM): # 训练EPOCH_NUM轮
# 开始训练并输出最后一个batch的损失值
train_cost = 0
for batch_id, data in enumerate(train_reader()): # 遍历train_reader迭代器
train_cost = exe.run(program=fluid.default_main_program(), # 运行主程序
feed=feeder.feed(data), # 喂入一个batch的训练数据,根据feed_list和data提供的信息,将输入数据转成一种特殊的数据结构
fetch_list=[avg_cost])
if batch_id % 40 == 0:
print("Pass:%d, Cost:%0.5f" % (pass_id, train_cost[0][0])) # 打印最后一个batch的损失值
iter = iter + BATCH_SIZE
iters.append(iter)
train_costs.append(train_cost[0][0])
# 开始测试并输出最后一个batch的损失值
test_cost = 0
for batch_id, data in enumerate(test_reader()): # 遍历test_reader迭代器
test_cost = exe.run(program=test_program, # 运行测试cheng
feed=feeder.feed(data), # 喂入一个batch的测试数据
fetch_list=[avg_cost]) # fetch均方误差
print('Test:%d, Cost:%0.5f' % (pass_id, test_cost[0][0])) # 打印最后一个batch的损失值
# 保存模型
# 如果保存路径不存在就创建
if not os.path.exists(model_save_dir):
os.makedirs(model_save_dir)
print('save models to %s' % (model_save_dir))
# 保存训练参数到指定路径中,构建一个专门用预测的program
fluid.io.save_inference_model(model_save_dir, # 保存推理model的路径
['x'], # 推理(inference)需要 feed 的数据
[y_predict], # 保存推理(inference)结果的 Variables
exe) # exe 保存 inference model
draw_train_process(iters, train_costs)
# 4.模型预测
# 4.1创建预测用的Executor
infer_exe = fluid.Executor(place) # 创建推测用的executor
inference_scope = fluid.core.Scope() # Scope指定作用域
# 4.2可视化真实值与预测值方法定义
infer_results = []
groud_truths = []
# 4.3开始预测
with fluid.scope_guard(inference_scope): # 修改全局/默认作用域(scope), 运行时中的所有变量都将分配给新的scope。
# 从指定目录中加载 推理model(inference model)
[inference_program, # 推理的program
feed_target_names, # 需要在推理program中提供数据的变量名称
fetch_targets] = fluid.io.load_inference_model( # fetch_targets: 推断结果
model_save_dir, # model_save_dir:模型训练路径
infer_exe) # infer_exe: 预测用executor
# 获取预测数据
infer_reader = paddle.batch(paddle.dataset.uci_housing.test(), # 获取uci_housing的测试数据
batch_size=200) # 从测试数据中读取一个大小为200的batch数据
# 从test_reader中分割x
test_data = next(infer_reader())
test_x = np.array([data[0] for data in test_data]).astype("float32")
test_y = np.array([data[1] for data in test_data]).astype("float32")
results = infer_exe.run(inference_program, # 预测模型
feed={feed_target_names[0]: np.array(test_x)}, # 喂入要预测的x值
fetch_list=fetch_targets) # 得到推测结果
print("infer results: (House Price)")
for idx, val in enumerate(results[0]):
print("%d: %.2f" % (idx, val))
infer_results.append(val)
print("ground truth:")
for idx, val in enumerate(test_y):
print("%d: %.2f" % (idx, val))
groud_truths.append(val)
draw_infer_result(groud_truths, infer_results)
来源:CSDN
作者:livingbody
链接:https://blog.csdn.net/livingbody/article/details/104747718