一，首先导入必要的包

1，paddle.fluid--->PaddlePaddle深度学习框架

2，numpy---------->python基本库，用于科学计算

3，os------------------>python的模块，可使用该模块对操作系统进行操作

4，matplotlib----->python绘图库，可方便绘制折线图、散点图等图形

具体操作：

import paddle.fluid as fluid
import paddle
import numpy as np
import os
import matplotlib.pyplot as plt

二，准备数据

1，uci-housing 数据集介绍

数据集共506行,每行14列。前13列用来描述房屋的各种信息，最后一列为该类房屋价格中位数

补充：

2，数据集的训练和测试

补充：

数据训练集和测试集的区别：

一部分称之为训练集，用以学习数据的特征属性，这部分数据需要人工标定，为数据生成标签

另一部分称为测试集，测试集不需要人工处理，用于测试结果

PaddlePaddle提供了读取uci_housing训练集和测试集的接口。

分别为：

paddle.dataset.uci_housing.train()
paddle.dataset.uci_housing.test()

PaddlePaddle提供了读取uci_housing数据处理大小和取出训练大小。

paddle.reader.shuffle() 表示每次缓存BUF_SIZE个数据项，并进行打乱
paddle.batch() 表示每BATCH_SIZE组成一个batch

具体操作：

BUF_SIZE=500 表示每次缓存BUF_SIZE个数据项，并进行打乱
BATCH_SIZE=20 表示每BATCH_SIZE组成一个batch

#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)

三，函数的准备

1，假设函数

具体操作：

#（1）假设函数的准备
#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，损失函数的准备

此处使用均方差损失函数

square_error_cost(input,lable):接受输入预测值和目标值，并返回方差估计,即为（y-y_predict）的平方

具体操作：

#（2）损失函数的准备
#求一个batch的损失值，cost为（y-y_predict）的平方
cost = fluid.layers.square_error_cost(input=y_predict, label=y)
#对损失值求平均值，即均方差
avg_cost = fluid.layers.mean(cost)

3，梯度下降函数的准备

具体操作：

#（3）梯度下降函数的准备（采用随机梯度下降）
optimizer = fluid.optimizer.SGDOptimizer(learning_rate=0.001)
#采用optimizer.minimize(均方差)进行优化
opts = optimizer.minimize(avg_cost)

4，函数准备完成后，会获得两个fluid.Program

分别是：

fluid.default_startup_program() 参数初始化操作会被写入
fluid.default_startup_program() 用来获取默认或全局main program主程序，该主程序用于训练和测试模型

具体操作：

test_program = fluid.default_main_program().clone(for_test=True)

四，模型训练

1，创建一个运算场所

首先定义运算场所：

fluid.CPUPlace()表示运行场所在CPU

fluid.CUDAPlace(0)表示运算场所为GPU

Executor:接收传入的program，通过run()方法运行program

场所使用CPU和GPU的区别

CPU主要用于串行运算，一个规格一个规格的计算；而GPU则是大规模并行运算，所有数据一起计算。

具体操作：

#（1）创建模型运行的场所
#use_cuda为False,表示运算场所为CPU;use_cuda为True,表示运算场所为GPU
use_cuda = False
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
#创建一个Executor实例exe
exe = fluid.Executor(place)
#Executor的run()方法执行startup_program(),进行参数初始化
exe.run(fluid.default_startup_program())

2，定义输入训练数据维度

DataFeeder负责将数据提供器（train_reader,test_reader）返回的数据转成一种特殊的数据结构，使其可以输入到Executor中。

feed_list设置向模型输入的向变量表或者变量表名

具体操作：

#（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，定义绘制损失值变化趋势的函数

具体操作：

#（3）定义损失值变化的函数
iter=0;
iters=[]
train_costs=[]

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() #生成网格
plt.show() #显示图像

4，训练并保存模型

Executor接收传入的program,并根据feed map(输入映射表)和fetch_list(结果获取表) 向program中添加feed operators(数据输入算子)和fetch operators（结果获取算子)。

feed map为该program提供输入数据。

fetch_list提供program训练结束后用户预期的变量。

注：enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，

具体操作：

#(4)训练并保存模型
EPOCH_NUM=50
model_save_dir = "/home/aistudio/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)

五，模型预测

1，创建预测用的Executor

具体操作：

#（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

2，可视化真实值与预测值方法的定义

具体操作：

#（2）可视化真实值与预测值方法定义
infer_results=[]
groud_truths=[]

#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()
plt.show()

3，开始预测

通过fluid.io.load_inference_model，预测器会从params_dirname中读取已经训练好的模型，来对从未遇见过的数据进行预测。

具体操作：

#（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)