参考文档

Paddle官网：https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc/tutorial/quick_start/hello_paddle/hello_paddle.html#id10
AIStudio位置地址：https://aistudio.baidu.com/aistudio/projectdetail/1308649

CSDN地址

三岁白话系列CSDN：https://blog.csdn.net/weixin_45623093/category_10616602.html

paddlepaddle社区号：https://blog.csdn.net/PaddlePaddle

出租车的故事

我们乘坐出租车的时候，会有一个10元的起步价，只要上车就需要收取。出租车每行驶1公里，需要再支付每公里2元的行驶费用。当一个乘客坐完出租车之后，车上的计价器需要算出来该乘客需要支付的乘车费用。

普通程序

通过距离得到对应的票价

分别获得1/3/5/9/10/20km的票价

# 方法一：函数法
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))

12.0
16.0
20.0
28.0
30.0
50.0

# 方法二：菜鸟法
Kilometers = [1.0, 3.0, 5.0, 9.0, 10.0, 20.0]
for i in Kilometers:
    money = 10 + 2*i
    print(money)

12.0
16.0
20.0
28.0
30.0
50.0

白话时间

该程序的写的方法方式很多，办法也很多，很多大神们甚至可以写出花来。

但是如果我们只有公里数和应付金额呢？？？

迷茫时间

突如其来的难题，有点困惑到了

开始思考怎么样的算法可以写出来！

办法终归有，但是更复杂的程序呢？？？

深度学习来帮忙

通过深度学习得到一个近视值，来解答这个困惑说不定很好让我们来一起看看

# 导入paddle和判断版本
import paddle
print("paddle " + paddle.__version__)

paddle 2.0.0-rc0

编辑数据

x_data = paddle.to_tensor([[1.], [3.0], [5.0], [9.0], [10.0], [20.0]])
y_data = paddle.to_tensor([[12.], [16.0], [20.0], [28.0], [30.0], [50.0]])
print("x_data = ",x_data)
print("y_data = ",y_data)

x_data =  Tensor(shape=[6, 1], dtype=float32, place=CPUPlace, stop_gradient=True,
       [[1.],
        [3.],
        [5.],
        [9.],
        [10.],
        [20.]])
y_data =  Tensor(shape=[6, 1], dtype=float32, place=CPUPlace, stop_gradient=True,
       [[12.],
        [16.],
        [20.],
        [28.],
        [30.],
        [50.]])

定义模型

根据对问题的解读该类型属于线性函数，类似于一元一次函数

y_predict = w * x + b

paddle.nn.Linear

线性变换层 查看API文档

对于每个输入Tensor X ，计算公式为：

Out=XW+b

其中， W 和 b 分别为权重和偏置。

注：Linear层只接受一个Tensor作为输入，形状为 [batch_size,∗,in_features] ，其中 ∗ 表示可以为任意个额外的维度。

linear = paddle.nn.Linear(in_features=1, out_features=1)  # 定义初始化神经网络

查看初始化策略

w 的值会先进行随机生成

b 的值会先以0进行代替

w_before_opt = linear.weight.numpy().item()  # 获取w的值
b_before_opt = linear.bias.numpy().item()  # 获取b的值

print("w before optimize: {}".format(w_before_opt))
print("b before optimize: {}".format(b_before_opt))

w before optimize: 0.7223087549209595
b before optimize: 0.0

白话时间

多次点击会发现w的值确实每次都是不一样的！！！

这里面的策略可以直接DIY，具体的参考文档

优化神经网络

现在的神经网络类似于我们的无情答卷人疯狂做题但是有不知道对错，怎么办？？？

现在需要一个损失函数：相当于改卷人

需要一个优化策略：相当于看到错误进行反思然后进行修改的好孩子

此处使用的：

损失函数：paddle.nn.loss.MSELoss(reduction=‘mean’) 参考地址

优化算法：class paddle.optimizer.SGD(learning_rate=0.001, parameters=None, weight_decay=None, grad_clip=None, name=None) 参考地址

mse_loss = paddle.nn.MSELoss()  
sgd_optimizer = paddle.optimizer.SGD(learning_rate=0.001, parameters = linear.parameters())

优化算法

total_epoch = 7000  # 运行轮数
for i in range(total_epoch):
    y_predict = linear(x_data)
    loss = mse_loss(y_predict, y_data)
    loss.backward()
    sgd_optimizer.step()
    sgd_optimizer.clear_grad()

    if i%1000 == 0:  # 每1000轮输出一次
        print("epoch {} loss {}".format(i, loss.numpy()))

print("finished training， loss {}".format(loss.numpy()))

epoch 0 loss [1.5586754e-07]
epoch 1000 loss [1.5586754e-07]
epoch 2000 loss [1.5586754e-07]
epoch 3000 loss [1.5586754e-07]
epoch 4000 loss [1.5586754e-07]
epoch 5000 loss [1.5586754e-07]
epoch 6000 loss [1.5586754e-07]
finished training， loss [1.5586754e-07]

白话时间

根据测试该程序在7000轮的时候结果就bao报错不变了

所以在7000轮时效果最好

查看结果

w_after_opt = linear.weight.numpy().item()
b_after_opt = linear.bias.numpy().item()

print("w after optimize: {}".format(w_after_opt))
print("b after optimize: {}".format(b_after_opt))

w after optimize: 2.0000507831573486
b after optimize: 9.999356269836426

白话

经过查看这个结果已经和我们要的结果所差无几

所以这个效果还是比较好的

Hello PalldPalld 2.0 !

print("Hello PalldPalld 2.0 !")

Hello PalldPalld 2.0 !

今天的内容就到这里啦，希望喜欢的朋友关注点赞留言，多多关注我们的paddlepaddle，生态需要你的努力，加油！

本文同步分享在 博客“三岁学编程”（CSDN）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。