详解paddlepaddle之房价预测模型

波士顿房价预测是一个经典的机器学习问题,类似于程序员世界的“Hello World”。波士顿地区的房价是由诸多因素影响的,该数据集统计了13种可能影响房价的因素和该类型房屋的均价,期望构建一个基于13个因素预测房价的模型。预测问题根据预测输出的类型是连续的实数值,还是离散的标签,区分为回归任务和分类任务。因为房价是一个连续值,所以房价预测显然是一个回归任务。下面我们尝试用最简单的线性回归模型解决这个问题,并用paddlepaddle飞桨框架来实现这个模型。

根据飞桨官方的说法,飞桨模型代码结构主要包括以下五个:

  • 1.数据处理:读取数据 和 预处理操作(即对数据进行标准化处理和转换数据类型)
  • 2.模型设计:网络结构(假设)
  • 3.训练配置:优化器(寻解算法) 和 计算资源配置
  • 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:将训练好的模型保存

一、数据处理

#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

def load_data():
    # 从文件导入数据
    datafile = './work/housing.data'
    data = np.fromfile(datafile, sep=' ')

    # 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
    feature_names = [ 'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', \
                      'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV' ]
    feature_num = len(feature_names)

    # 将原始数据进行Reshape,变成[N, 14]这样的形状
    data = data.reshape([data.shape[0] // feature_num, feature_num])

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

    # 计算train数据集的最大值,最小值,平均值
    maximums, minimums, avgs = training_data.max(axis=0), training_data.min(axis=0), \
                                 training_data.sum(axis=0) / training_data.shape[0]

    # 对数据进行归一化处理,关于归一化(标准化)的问题,在上一篇文章有提到,此处归一化的算法为(数值-平均值)/(最大值-最小值)
    for i in range(feature_num):
        #print(maximums[i], minimums[i], avgs[i])
        data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])

    # 训练集和测试集的划分比例
    #ratio = 0.8
    #offset = int(data.shape[0] * ratio)
    training_data = data[:offset]
    test_data = data[offset:]
    return training_data, test_data  #此处变量的类型为numpy.ndarray

二、模型设计

飞桨建议通过创建类的方式完成模型网络的定义。首先,在类的初始化函数中定义每一层网络的实现函数。然后,在forward函数中将多层网络按照设计的顺序串联起来。forward函数实现了前向计算过程,并将最终结果作为函数返回值。调试模型时,可以在forward函数中加入打印语句,打印每一层输出的形状和内容值。我们使用线性回归模型解决房价预测,如果套用神经网络的方式实现线性回归模型,相当于只有一层的神经网络,且非线性变换函数设置为空。所以,在类的初始化函数中只创建了一个名称为fc的方法,实现了“输出尺寸为1,无非线性变换”的全连接层。forward函数中只调用了该方法,返回计算的结果。

class Regressor(fluid.dygraph.Layer):
    def __init__(self, name_scope):
        super(Regressor, self).__init__(name_scope)
        name_scope = self.full_name()

        self.fc = FC(name_scope, size=1, act=None)

    def forward(self, inputs):
        x = self.fc(inputs)
        return x

关于dygraph,官方文档是这么介绍的:

PaddlePaddle的DyGraph模式是一种动态的图执行机制,可以立即执行结果,无需构建整个图。同时,和以往静态的执行计算图不同,DyGraph模式下您的所有操作可以立即获得执行结果,而不必等待所构建的计算图全部执行完成,这样可以让您更加直观地构建PaddlePaddle下的深度学习任务,以及进行模型的调试,同时还减少了大量用于构建静态计算图的代码,使得您编写、调试网络的过程变得更加便捷。

PaddlePaddle DyGraph是一个更加灵活易用的模式,可提供:

  • 更加灵活便捷的代码组织结构: 使用python的执行控制流程和面向对象的模型设计
  • 更加便捷的调试功能: 直接使用python的打印方法即时打印所需要的结果,从而检查正在运行的模型结果便于测试更改
  • 和静态执行图通用的模型代码:同样的模型代码可以使用更加便捷的DyGraph调试,执行,同时也支持使用原有的静态图模式执行

需要注意的是: 如果您设计的这一层结构是包含参数的,则必须要使用继承自fluid.dygraph.Layer的Object-Oriented-Designed的类来描述该层的行为

三、配置训练

在启动训练之前,需要指定运行训练程序的机器资源以及使用哪种优化算法。因为房价预测的案例较为简单,训练资源采用本机即可(笔记本电脑也可以轻松完成该模型的训练),所以在代码中未明确体现(不指定资源时默认使用运行程序的本机资源)。至于如何调度更强大的计算资源,如多机多卡的服务器集群,在后续的案例中再介绍。 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。使用飞桨框架可以大大简化这个过程,我们只需要理解梯度下降的原理,直接调用所需的优化算法即可。飞桨库提供了大量的优化算法,包括最经典的“随机梯度下降”(SGD)。在SGD算法的函数参数中,设置学习率为0.01,即每次梯度更新的幅度(类比盲人探路时的步幅大小)。

随机梯度下降算法是通过每个样本来迭代更新一次,如果样本量很大的情况,那么可能只用其中部分的样本,就已经将theta迭代到最优解了,对比上面的批量梯度下降,迭代一次需要用到十几万训练样本,一次迭代不可能最优,如果迭代10次的话就需要遍历训练样本10次。缺点是SGD的噪音较BGD要多,使得SGD并不是每次迭代都向着整体最优化方向。所以虽然训练速度快,但是准确度下降,并不是全局最优。

with fluid.dygraph.guard():
    model = Regressor("Regressor")
    training_data, test_data = load_data()
    opt = fluid.optimizer.SGD(learning_rate=0.01)

四、训练过程

在完成网络结构的定义,并配置了训练资源和优化算法后,我们可以启动训练过程。训练是将数据样本分成一个个的数据批次(mini batch)来实现,本案例中每批次送入10个样本(batch size)。如之前的简述,分批次训练的原因是加速训练参数收敛(达到最优解)。一方面,相比基于所有样本来计算参数梯度,只以少量数据计算梯度可以节省大量计算消耗。另一方面,少部分样本的数量也远大于1,可以保证计算出的梯度有统计意义,不至于(抽样)偏差过大。

训练过程是两层循环,第一层代表一共要训练多少轮,即每个样本会被反复使用几次。第二层代表每训练一轮,会有分为多少个批次。假设有1000个样本的数据集,计划训练50轮,每个批次10个样本的话。外层循环会执行5次,内层循环会执行50*100次(1000/10)。

在每层循环内,计算的过程与Python编写的模型完全一致,分为前向计算过程、计算损失函数和后向梯度传导三个步骤。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。因为飞桨框架内置的数据结构要求是Numpy的ndarray类型,所以在灌入数据之前需要转换变量的类型。得到输出后,通过与真实房价的比较来计算损失(Loss)。之后开始反向传播梯度的过程,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。

with dygraph.guard():
    EPOCH_NUM = 50
    BATCH_SIZE = 10
    for epoch_id in range(EPOCH_NUM):
        # 在每轮迭代开始之前,将训练数据的顺序随机的打乱,
        # 然后再按每次取batch_size条数据的方式取出
        np.random.shuffle(training_data)
        # 将训练数据进行拆分,每个mini_batch包含batch_size条的数据
        mini_batches = [training_data[k:k+BATCH_SIZE] for k in range(0, len(training_data), BATCH_SIZE)]
        for iter_id, mini_batch in enumerate(mini_batches):
            x = np.array(mini_batch[:, :-1]).astype('float32')
            y = np.array(mini_batch[:, -1:]).astype('float32')
            house_features = dygraph.to_variable(x)
            prices = dygraph.to_variable(y)
            
            #前向计算
            predicts = model(house_features)
            
            #计算损失
            loss = fluid.layers.square_error_cost(predicts, label=prices)
            avg_loss = fluid.layers.mean(fluid.layers.sqrt(loss))
            if iter_id%10==0:
                print("epoch: {}, iter: {}, loss is: {}".format(epoch_id, iter_id, avg_loss.numpy()))
            
            #后向传播
            avg_loss.backward()
            opt.minimize(avg_loss)
            model.clear_gradients()

五、保存模型

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。

with fluid.dygraph.guard():
    fluid.save_dygraph(model.state_dict(), 'LR_model')
Share

You may also like...