百度PaddlePaddle入门-4

Posted 2020-11-25 yuzaihuan

---

当习惯使用飞桨框架完成建模时，会发现程序呈现出“八股文”的形态。即不同的程序员使用不同模型解决不同任务的时候，他们编写的建模程序是极其相似的。虽然这在某些“极客”的眼里缺乏精彩，但从实用性的角度，这样的设计使建模者更关注需要解决的任务，而不是将精力投入在学习框架上。只要通过一个示例程序掌握使用飞桨的方法，编写实现不同任务的多种模型均变得十分容易。

这点与Python的设计思想一致：对于某个特定功能，并不是实现方式越灵活、越多样越好，最好只有一种最符合“道”的最佳实现。“道”指的是如何人类的思维习惯，当程序员第一次看到Python的很多使用方式，感觉程序天然就应该如此实现。但相信我，不是所有的编程语言都具备这样合道的设计，很多编程语言的设计思路是人应该去理解机器的运作原理。同时，灵活意味着复杂，增加了程序员之间的沟通难度，也不适合现在工业化生产软件的现实。

所以，飞桨设计的初衷不仅要易于学习，还期望使用者能够体会到它的美感和哲学，与人类最自然的认知和习惯相契合。

本书中的案例覆盖经典的预测任务、推荐系统、计算机视觉和自然语言处理等主流应用场景，但所有的案例代码结构均完全一致，分为如下5个部分。

• １. 数据处理：读取数据 和 预处理操作
• ２. 模型设计：网络结构（假设）
• ３. 训练配置：优化器（寻解算法）
• 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. 保存模型并测试：将训练好的模型保存

下面我们使用飞桨框架，按照五个步骤重写房价预测的模型，体会下使用飞桨框架的感觉。

1 #加载飞桨、Numpy和相关类库
2 import paddle
3 import paddle.fluid as fluid
4 import paddle.fluid.dygraph as dygraph
5 from paddle.fluid.dygraph import FC
6 import numpy as np
7 import os
8 import random

---

1. 数据处理

这部分代码不依赖框架实现，与使用Python编写神经网络模型的代码相同，不再赘述。

 1 def load_data():
 2     # 从文件导入数据
 3     datafile = ‘./work/housing.data‘
 4     data = np.fromfile(datafile, sep=‘ ‘)
 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         #print(maximums[i], minimums[i], avgs[i])
36         data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])
37 
38     # 训练集和测试集的划分比例
39     #ratio = 0.8
40     #offset = int(data.shape[0] * ratio)
41     training_data = data[:offset]
42     test_data = data[offset:]
43     return training_data, test_data

上面中global标识的参数max_values,min_values, avg_values表示这些参数会被后面使用到的全局变量。

 

---

2. 模型设计

定义线性回归的网络结构，飞桨建议通过创建Python类的方式完成模型网络的定义。

1. 在类的初始化函数中定义每一层网络的实现函数，这里我们定义了一层全连接层FC，模型结构和上一节模型保持一致。
2. 定义forward函数构建神经网络结构，实现前向计算过程，并返回预测结果，本例中返回的是房价预测结果。

 1 class Regressor(fluid.dygraph.Layer):
 2     def __init__(self, name_scope):
 3         super(Regressor, self).__init__(name_scope)
 4         name_scope = self.full_name()
 5         # 定义一层全连接层，输出维度是1，激活函数为None，即不使用激活函数
 6         self.fc = FC(name_scope, size=1, act=None)
 7     
 8     # 网络的前向计算函数
 9     def forward(self, inputs):
10         x = self.fc(inputs)
11         return x

说实话，我到现在还不明白init函数中的super与name_scope究竟起什么作用，还有就是参数fluid.dygraph.Layer，等后面看是否能了解更多。

上面中全连接看起来很简单，就FC()。

 

---

3. 训练配置

训练配置包括：

1. 声明定义好的模型。
2. 加载训练数据和测试数据。
3. 设置优化算法和学习率，本次实验优化算法使用随机梯度下降SGD，学习率使用 0.01。

说明：
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，而使用飞桨框架可以大大简化这个过程。

 1 # 定义飞桨动态图的工作环境
 2 with fluid.dygraph.guard():
 3     # 声明定义好的线性回归模型
 4     model = Regressor("Regressor")
 5     # 开启模型训练模式
 6     model.train()
 7     # 加载数据
 8     training_data, test_data = load_data()
 9     # 定义优化算法，这里使用随机梯度下降-SGD
10     # 学习率设置为0.01
11     opt = fluid.optimizer.SGD(learning_rate=0.01)

注意： 上述代码中，可以发现声明模型，定义优化器等都在with创建的fluid.dygraph.guard()上下文环境中进行，可以理解为with fluid.dygraph.guard()创建了飞桨动态图的工作环境，在该环境下完成模型声明、数据转换、以及模型训练等操作。

 

---

 

4. 训练过程

完成训练配置后即可启动训练过程。训练采用二层循环嵌套方式：

• 内层循环负责整个数据集的一次遍历，遍历数据集采用分批次（batch）方式，假设数据集样本数量为1000，一个批次有10个样本，则遍历一次数据集的批次数量是1000/10=100，即内层循环需要循环100次；
• 外层循环定义遍历数据集的次数，本次训练中外层循环10次，通过参数EPOCH_NUM设置；

说明:
batch大小的选择会影响训练效果，batch过大会增大内存消耗，过小则每个batch的样本数据没有统计意义。本次训练数据集较小，我们设置batch为10。

在每次内层循环都需要进行前向计算、损失函数计算和梯度反向传播三个步骤，计算的过程与Python编写的模型完全一致；

1. 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。
2. 以前向计算结果和真实房价作为输入，通过损失函数square_error_cost计算出损失函数值（Loss）。
3. 执行梯度反向传播backward函数，即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（opt.minimize）。

这个实现过程令人惊喜，前向计算、计算损失和反向传播梯度，每个操作居然只有1-2行代码即可实现！我们再也不用一点点的实现模型训练的细节，这就是使用飞桨框架的威力！

 1 with dygraph.guard():
 2     EPOCH_NUM = 10   # 设置外层循环次数
 3     BATCH_SIZE = 10  # 设置batch大小
 4     
 5     # 定义外层循环
 6     for epoch_id in range(EPOCH_NUM):
 7         # 在每轮迭代开始之前，将训练数据的顺序随机的打乱
 8         np.random.shuffle(training_data)
 9         # 将训练数据进行拆分，每个batch包含10条数据
10         mini_batches = [training_data[k:k+BATCH_SIZE] for k in range(0, len(training_data), BATCH_SIZE)]
11         # 定义内层循环
12         for iter_id, mini_batch in enumerate(mini_batches):
13             x = np.array(mini_batch[:, :-1]).astype(‘float32‘) # 获得当前批次训练数据
14             y = np.array(mini_batch[:, -1:]).astype(‘float32‘) # 获得当前批次训练标签（真实房价）
15             # 将numpy数据转为飞桨动态图variable形式
16             house_features = dygraph.to_variable(x)
17             prices = dygraph.to_variable(y)
18             
19             # 前向计算
20             predicts = model(house_features)
21             
22             # 计算损失
23             loss = fluid.layers.square_error_cost(predicts, label=prices)
24             avg_loss = fluid.layers.mean(fluid.layers.sqrt(loss))
25             if iter_id%20==0:
26                 print("epoch: {}, iter: {}, loss is: {}".format(epoch_id, iter_id, avg_loss.numpy()))
27             
28             # 反向传播
29             avg_loss.backward()
30             # 最小化loss,更新参数
31             opt.minimize(avg_loss)
32             # 清除梯度
33             model.clear_gradients()
34     # 保存模型
35     fluid.save_dygraph(model.state_dict(), ‘LR_model‘)

epoch: 0, iter: 0, loss is: [0.13064814]
epoch: 0, iter: 20, loss is: [0.13030791]
epoch: 0, iter: 40, loss is: [0.16929719]
epoch: 1, iter: 0, loss is: [0.15601738]
epoch: 1, iter: 20, loss is: [0.12867273]
epoch: 1, iter: 40, loss is: [0.09122001]
epoch: 2, iter: 0, loss is: [0.10166822]
epoch: 2, iter: 20, loss is: [0.18582721]
epoch: 2, iter: 40, loss is: [0.03117907]
epoch: 3, iter: 0, loss is: [0.16723469]
epoch: 3, iter: 20, loss is: [0.14052589]
epoch: 3, iter: 40, loss is: [0.09920945]
epoch: 4, iter: 0, loss is: [0.10413358]
epoch: 4, iter: 20, loss is: [0.10941665]
epoch: 4, iter: 40, loss is: [0.07716788]
epoch: 5, iter: 0, loss is: [0.14261496]
epoch: 5, iter: 20, loss is: [0.22571495]
epoch: 5, iter: 40, loss is: [0.02776246]
epoch: 6, iter: 0, loss is: [0.2060508]
epoch: 6, iter: 20, loss is: [0.11329012]
epoch: 6, iter: 40, loss is: [0.12139077]
epoch: 7, iter: 0, loss is: [0.11622548]
epoch: 7, iter: 20, loss is: [0.11667629]
epoch: 7, iter: 40, loss is: [0.17747328]
epoch: 8, iter: 0, loss is: [0.04951411]
epoch: 8, iter: 20, loss is: [0.13682985]
epoch: 8, iter: 40, loss is: [0.05742968]
epoch: 9, iter: 0, loss is: [0.07207447]
epoch: 9, iter: 20, loss is: [0.16950324]
epoch: 9, iter: 40, loss is: [0.19291244]

---

5. 保存并测试模型

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。

1 # 定义飞桨动态图工作环境
2 with fluid.dygraph.guard():
3     # 保存模型参数，文件名为LR_model
4     fluid.save_dygraph(model.state_dict(), ‘LR_model‘)
5     print("模型保存成功，模型参数保存在LR_model中")

模型保存成功，模型参数保存在LR_model中

回顾下基于飞桨实现的房价预测模型，实现的效果与之前基于Python实现的模型没有区别，但两者的实现成本有天壤之别。飞桨的愿景是用户只需要了解模型的逻辑概念，不需要关心实现细节，就能搭建强大的模型。

下面我们选择一条数据样本，测试下模型的预测效果。 测试过程和在应用场景中使用模型的过程是一致的，可分成三个主要步骤。

• 首先，配置模型预测的机器资源，本案例默认使用本机，所以无需写代码指定。
• 其次，将训练好的模型参数加载到模型实例中，由两个语句完成，第一句是从文件中读取模型参数，第二句是将参数内容加载到模型。加载完毕后，需要将模型的状态调整为“校验”（evalueation）。这是因为训练状态的模型需要同时支持前向计算和反向传导梯度，模型的实现较为臃肿。而校验/预测状态的模型只需要支持前向计算，模型的实现更加简单，性能更好。
• 最后，将待预测的样本特征输入到模型中，打印输出的预测结果。比较“模型预测值”和“真实房价”可见，模型预测的效果与真实房价接近。

load_one_example函数实现了从数据集中抽一条样本作为测试样本。

 1 def load_one_example(data_dir):
 2     f = open(data_dir, ‘r‘)
 3     datas = f.readlines()
 4     # 选择倒数第10条数据用于测试
 5     tmp = datas[-10]
 6     tmp = tmp.strip().split()
 7     one_data = [float(v) for v in tmp]
 8 
 9     # 对数据进行归一化处理
10     for i in range(len(one_data)-1):
11         one_data[i] = (one_data[i] - avg_values[i]) / (max_values[i] - min_values[i])
12 
13     data = np.reshape(np.array(one_data[:-1]), [1, -1]).astype(np.float32)
14     label = one_data[-1]
15     return data, label

 

 1 with dygraph.guard():
 2     # 参数为保存模型参数的文件地址
 3     model_dict, _ = fluid.load_dygraph(‘LR_model‘)
 4     model.load_dict(model_dict)
 5     model.eval()
 6 
 7     # 参数为数据集的文件地址
 8     test_data, label = load_one_example(‘./work/housing.data‘)
 9     # 将数据转为动态图的variable格式
10     test_data = dygraph.to_variable(test_data)
11     results = model(test_data)
12 
13     # 对结果做反归一化处理
14     results = results * (max_values[-1] - min_values[-1]) + avg_values[-1]
15     print("Inference result is {}, the corresponding label is {}".format(results.numpy(), label))

房价预测仅是一个最简单的模型，使用飞桨编写均可以事半功倍。那么，对于工业实践中更复杂的模型，使用飞桨节约的成本是不可估量的。同时，因为飞桨针对很多应用场景和机器资源做了性能优化，在功能和性能上往往强于自行编写的模型。