1 　　 def train(self, training_data, num_epoches, batch_size=10, eta=0.01):
 2         n = len(training_data)
 3         losses = []
 4         for epoch_id in range(num_epoches):
 5             # 打乱样本顺序
 6             np.random.shuffle(training_data)
 7             # 将train_data分成多个mini_batch
 8             # 循环取值，每次取出batch_size条数据
 9             mini_batches = [training_data[k:k + batch_size] for k in range(0, n, batch_size)]
10             for iter_id, mini_batche in enumerate(mini_batches):
11                 # 取mini_batch的前13列
12                 x = mini_batche[:, :-1]
13                 # 取mini_batch的最后1列
14                 y = mini_batche[:, -1:]
15                 # 前向计算
16                 a = self.forward(x)
17                 # 计算损失
18                 loss = self.loss(a, y)
19                 # 计算梯度
20                 gradient_w, gradient_b = self.gradient(x, y)
21                 # 更新参数
22                 self.update(gradient_w, gradient_b, eta)
23                 losses.append(loss)
24                 print('Epoch {:3d} / iter {:3d}, loss = {:.4f}'.format(epoch_id, iter_id, loss))
25         return losses

1 # 启动训练，训练50轮，每轮样本数目为100，步长为0.1
2 losses = net.train(training_data, num_epoches=50, batch_size=100, eta=0.1)

1 # 画出损失函数的变化趋势
2 plot_x = np.arange(len(losses))
3 plot_y = np.array(losses)
4 plt.plot(plot_x, plot_y)
5 plt.show()

1 #加载飞桨、NumPy和相关类库
2 import paddle
3 from paddle.nn import Linear
4 import paddle.nn.functional as F
5 import numpy as np
6 import os
7 import random

 1 def load_data():
 2     # 从文件导入数据
 3     datafile = './work/housing.data'
 4     data = np.fromfile(datafile, sep=' ', dtype=np.float32)
 5 
 6     # 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
 7     feature_names = [ 'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', \
 8                       'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV' ]
 9     feature_num = len(feature_names)
10 
11     # 将原始数据进行Reshape，变成[N, 14]这样的形状
12     data = data.reshape([data.shape[0] // feature_num, feature_num])
13 
14     # 将原数据集拆分成训练集和测试集
15     # 这里使用80%的数据做训练，20%的数据做测试
16     # 测试集和训练集必须是没有交集的
17     ratio = 0.8
18     offset = int(data.shape[0] * ratio)
19     training_data = data[:offset]
20 
21     # 计算train数据集的最大值，最小值，平均值
22     maximums, minimums, avgs = training_data.max(axis=0), training_data.min(axis=0), \
23                                  training_data.sum(axis=0) / training_data.shape[0]
24     
25     # 记录数据的归一化参数，在预测时对数据做归一化
26     global max_values
27     global min_values
28     global avg_values
29     max_values = maximums
30     min_values = minimums
31     avg_values = avgs
32 
33     # 对数据进行归一化处理
34     for i in range(feature_num):
35         data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])
36 
37     # 训练集和测试集的划分比例
38     training_data = data[:offset]
39     test_data = data[offset:]
40     return training_data, test_data

 1 class Regressor(paddle.nn.Layer):
 2 
 3     # self代表类的实例自身
 4     def __init__(self):
 5         # 初始化父类中的一些参数
 6         super(Regressor, self).__init__()
 7         
 8         # 定义一层全连接层，输入维度是13，输出维度是1
 9         self.fc = Linear(in_features=13, out_features=1)
10     
11     # 网络的前向计算
12     def forward(self, inputs):
13         x = self.fc(inputs)
14         return x

1 # 声明定义好的线性回归模型
2 model = Regressor()
3 # 开启模型训练模式
4 model.train()
5 # 加载数据
6 training_data, test_data = load_data()
7 # 定义优化算法，使用随机梯度下降SGD
8 # 学习率设置为0.01
9 opt = paddle.optimizer.SGD(learning_rate=0.01, parameters=model.parameters())

 1 EPOCH_NUM = 10   # 设置外层循环次数
 2 BATCH_SIZE = 10  # 设置batch大小
 3 
 4 # 定义外层循环
 5 for epoch_id in range(EPOCH_NUM):
 6     # 在每轮迭代开始之前，将训练数据的顺序随机的打乱
 7     np.random.shuffle(training_data)
 8     # 将训练数据进行拆分，每个batch包含10条数据
 9     mini_batches = [training_data[k:k+BATCH_SIZE] for k in range(0, len(training_data), BATCH_SIZE)]
10     # 定义内层循环
11     for iter_id, mini_batch in enumerate(mini_batches):
12         x = np.array(mini_batch[:, :-1]) # 获得当前批次训练数据
13         y = np.array(mini_batch[:, -1:]) # 获得当前批次训练标签（真实房价）
14         # 将numpy数据转为飞桨动态图tensor的格式
15         house_features = paddle.to_tensor(x)
16         prices = paddle.to_tensor(y)
17         
18         # 前向计算
19         predicts = model(house_features)
20         
21         # 计算损失
22         loss = F.square_error_cost(predicts, label=prices)
23         avg_loss = paddle.mean(loss)
24         if iter_id%20==0:
25             print("epoch: {}, iter: {}, loss is: {}".format(epoch_id, iter_id, avg_loss.numpy()))
26         
27         # 反向传播，计算每层参数的梯度值
28         avg_loss.backward()
29         # 更新参数，根据设置好的学习率迭代一步
30         opt.step()
31         # 清空梯度变量，以备下一轮计算
32         opt.clear_grad()

1 # 保存模型参数，文件名为LR_model.pdparams
2 paddle.save(model.state_dict(), 'LR_model.pdparams')
3 print("模型保存成功，模型参数保存在LR_model.pdparams中")

1 def load_one_example():
2     # 从上边已加载的测试集中，随机选择一条作为测试数据
3     idx = np.random.randint(0, test_data.shape[0])
4     idx = -10
5     one_data, label = test_data[idx, :-1], test_data[idx, -1]
6     # 修改该条数据shape为[1,13]
7     one_data =  one_data.reshape([1,-1])
8 
9     return one_data, label

 1 # 参数为保存模型参数的文件地址
 2 model_dict = paddle.load('LR_model.pdparams')
 3 model.load_dict(model_dict)
 4 model.eval()
 5 
 6 # 参数为数据集的文件地址
 7 one_data, label = load_one_example()
 8 # 将数据转为动态图的variable格式 
 9 one_data = paddle.to_tensor(one_data)
10 predict = model(one_data)
11 
12 # 对结果做反归一化处理
13 predict = predict * (max_values[-1] - min_values[-1]) + avg_values[-1]
14 # 对label数据做反归一化处理
15 label = label * (max_values[-1] - min_values[-1]) + avg_values[-1]
16 
17 print("预测值为 {}, 原样本标签值为 {}".format(predict.numpy(), label))