Python PaddlePaddle機(jī)器學(xué)習(xí)之求解線(xiàn)性模型

更新時(shí)間：2022年08月11日 08:35:04 作者：ZacheryZHANG???????

這篇文章主要介紹了Python PaddlePaddle機(jī)器學(xué)習(xí)之求解線(xiàn)性模型，文章圍繞主題展開(kāi)詳細(xì)的內(nèi)容介紹，具有一定參考價(jià)值，需要的小伙伴可以參考一下

前言

飛槳(PaddlePaddle)是集深度學(xué)習(xí)核心框架、工具組件和服務(wù)平臺(tái)為一體的技術(shù)先進(jìn)、功能完備的開(kāi)源深度學(xué)習(xí)平臺(tái)

1. 任務(wù)描述

乘坐出租車(chē)的時(shí)候，會(huì)有一個(gè)10元的起步價(jià)，只要上車(chē)就需要收取該起步價(jià)。
出租車(chē)每行駛1公里，需要再支付2元的行駛費(fèi)用（2元/公里）
當(dāng)一個(gè)乘客做完出租車(chē)之后，車(chē)上的計(jì)價(jià)器需要算出來(lái)該乘客需要支付的乘車(chē)費(fèi)用。

如果以數(shù)學(xué)模型的角度可以很容易的解除該題的線(xiàn)性關(guān)系，及 Y=2x+10Y=2x+10，其中YY 為最終所需費(fèi)用，xx 為行駛公里數(shù)。

試想，我們用機(jī)器學(xué)習(xí)的方法進(jìn)行訓(xùn)練是不是也可以解決該問(wèn)題呢，讓機(jī)器來(lái)給我們推算出 YY 與 xx 的關(guān)系。即：知道乘客乘坐公里數(shù)和支付費(fèi)用，但是并不知道每公里行駛費(fèi)和起步價(jià)。

2. 代碼演練

首先，我們以數(shù)學(xué)模型建立關(guān)系式，定義計(jì)價(jià)收費(fèi)函數(shù)。該函數(shù)用來(lái)生成機(jī)器學(xué)習(xí)的數(shù)據(jù)集。定義好函數(shù)以后，接下來(lái)，我們傳入6個(gè)數(shù)據(jù)(x)，該函數(shù)可以計(jì)算出對(duì)應(yīng)的Y值（也就是機(jī)器學(xué)習(xí)訓(xùn)練用到的真實(shí)值）。

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))

接下來(lái)開(kāi)始搭建線(xiàn)性回歸。

2.1 數(shù)組轉(zhuǎn)張量

將輸入數(shù)據(jù)與輸出結(jié)果數(shù)組轉(zhuǎn)為張量：

import paddle
import numpy
x_data = paddle.to_tensor([[1.0], [3.0], [5.0], [9.0], [10.0], [20.0]])
y_data = paddle.to_tensor([[12.0],[16.0],[20.0],[28.0],[30.0],[50.0]])

linear = paddle.nn.Linear(in_features=1,out_features=1)

# 隨機(jī)初始化w,b
w_before_opt = linear.weight.numpy().item()
b_before_opt = linear.bias.numpy().item()
# 打印初始w,b
print(w_before_opt,b_before_opt)

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

total_epoch = 5000

for i in range(total_epoch):
    y_predict = linear(x_data)
    loss = mse_loss(y_predict,y_data)

    # 反向傳播（求梯度）
    loss.backward()
    # 優(yōu)化器往前走一步：求出的梯度給優(yōu)化器用調(diào)參
    sgd_optimizer.step()
    # 優(yōu)化器把調(diào)完參數(shù)所用的梯度去清掉，下次再去求
    sgd_optimizer.clear_gradients()

    # 打印信息
    if i % 1000 == 0:
        print(i,loss.numpy())
print("finish training, loss = {}".format(loss.numpy()) )

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

以上就是Python PaddlePaddle機(jī)器學(xué)習(xí)之求解線(xiàn)性模型的詳細(xì)內(nèi)容，更多關(guān)于Python 線(xiàn)性模型的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: