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.數據處理")
print("2.模型設計")
print("3.訓練配置")
print("4.訓練過程")
print("5.保存並測試")
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')
# 繪製真實值和預測值對比圖
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.數據讀取.
# 用於訓練的數據提供器,每次從緩存中隨機讀取批次大小的數據
train_reader = paddle.batch(
paddle.reader.shuffle(paddle.dataset.uci_housing.train(),
buf_size=BUF_SIZE),
batch_size=BATCH_SIZE)
# 用於測試的數據提供器,每次從緩存中隨機讀取批次大小的數據
test_reader = paddle.batch(
paddle.reader.shuffle(paddle.dataset.uci_housing.test(),
buf_size=BUF_SIZE),
batch_size=BATCH_SIZE)
# 2.網絡配置
# 2.1網絡搭建
# 定義張量變量x,表示13維的特徵值
x = fluid.layers.data(name='x', shape=[13], dtype='float32')
# 定義張量y,表示目標值
y = fluid.layers.data(name='y', shape=[1], dtype='float32')
# 定義一個簡單的線性網絡,連接輸入和輸出的全連接層
# input:輸入tensor;
# size:該層輸出單元的數目
# act:激活函數
y_predict = fluid.layers.fc(input=x, size=1, act=None)
# 2.2 定義損失函數
cost = fluid.layers.square_error_cost(input=y_predict, label=y) # 求一個batch的損失值
avg_cost = fluid.layers.mean(cost) # 對損失值求平均值
# 2.3 定義優化函數
optimizer = fluid.optimizer.SGDOptimizer(learning_rate=0.001)
opts = optimizer.minimize(avg_cost)
test_program = fluid.default_main_program().clone(for_test=True)
# 3.模型訓練和模型評估
# 3.1創建Executor
use_cuda = False # use_cuda爲False,表示運算場所爲CPU;use_cuda爲True,表示運算場所爲GPU
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
exe = fluid.Executor(place) # 創建一個Executor實例exe
exe.run(fluid.default_startup_program()) # Executor的run()方法執行startup_program(),進行參數初始化
# 3.2定義輸入數據維度
feeder = fluid.DataFeeder(place=place, feed_list=[x, y]) # feed_list:向模型輸入的變量表或變量表名
# 3.3定義繪製訓練過程的損失值變化趨勢的方法draw_train_process
iter = 0
iters = []
train_costs = []
# 3.4訓練並保存模型
EPOCH_NUM = 50
model_save_dir = "./work/fit_a_line.inference.model"
for pass_id in range(EPOCH_NUM): # 訓練EPOCH_NUM輪
# 開始訓練並輸出最後一個batch的損失值
train_cost = 0
for batch_id, data in enumerate(train_reader()): # 遍歷train_reader迭代器
train_cost = exe.run(program=fluid.default_main_program(), # 運行主程序
feed=feeder.feed(data), # 喂入一個batch的訓練數據,根據feed_list和data提供的信息,將輸入數據轉成一種特殊的數據結構
fetch_list=[avg_cost])
if batch_id % 40 == 0:
print("Pass:%d, Cost:%0.5f" % (pass_id, train_cost[0][0])) # 打印最後一個batch的損失值
iter = iter + BATCH_SIZE
iters.append(iter)
train_costs.append(train_cost[0][0])
# 開始測試並輸出最後一個batch的損失值
test_cost = 0
for batch_id, data in enumerate(test_reader()): # 遍歷test_reader迭代器
test_cost = exe.run(program=test_program, # 運行測試cheng
feed=feeder.feed(data), # 喂入一個batch的測試數據
fetch_list=[avg_cost]) # fetch均方誤差
print('Test:%d, Cost:%0.5f' % (pass_id, test_cost[0][0])) # 打印最後一個batch的損失值
# 保存模型
# 如果保存路徑不存在就創建
if not os.path.exists(model_save_dir):
os.makedirs(model_save_dir)
print('save models to %s' % (model_save_dir))
# 保存訓練參數到指定路徑中,構建一個專門用預測的program
fluid.io.save_inference_model(model_save_dir, # 保存推理model的路徑
['x'], # 推理(inference)需要 feed 的數據
[y_predict], # 保存推理(inference)結果的 Variables
exe) # exe 保存 inference model
draw_train_process(iters, train_costs)
# 4.模型預測
# 4.1創建預測用的Executor
infer_exe = fluid.Executor(place) # 創建推測用的executor
inference_scope = fluid.core.Scope() # Scope指定作用域
# 4.2可視化真實值與預測值方法定義
infer_results = []
groud_truths = []
# 4.3開始預測
with fluid.scope_guard(inference_scope): # 修改全局/默認作用域(scope), 運行時中的所有變量都將分配給新的scope。
# 從指定目錄中加載 推理model(inference model)
[inference_program, # 推理的program
feed_target_names, # 需要在推理program中提供數據的變量名稱
fetch_targets] = fluid.io.load_inference_model( # fetch_targets: 推斷結果
model_save_dir, # model_save_dir:模型訓練路徑
infer_exe) # infer_exe: 預測用executor
# 獲取預測數據
infer_reader = paddle.batch(paddle.dataset.uci_housing.test(), # 獲取uci_housing的測試數據
batch_size=200) # 從測試數據中讀取一個大小爲200的batch數據
# 從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, # 預測模型
feed={feed_target_names[0]: np.array(test_x)}, # 喂入要預測的x值
fetch_list=fetch_targets) # 得到推測結果
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)