日本免费高清视频-国产福利视频导航-黄色在线播放国产-天天操天天操天天操天天操|www.shdianci.com

學(xué)無先后，達(dá)者為師

網(wǎng)站首頁 編程語言 正文

Python?PaddlePaddle機(jī)器學(xué)習(xí)之求解線性模型_python

作者：ZacheryZHANG??????? ? 更新時間： 2022-10-06 編程語言

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)平臺為一體的技術(shù)先進(jìn)、功能完備的開源深度學(xué)習(xí)平臺

1. 任務(wù)描述

  • 乘坐出租車的時候，會有一個10元的起步價，只要上車就需要收取該起步價。
  • 出租車每行駛1公里，需要再支付2元的行駛費用（2元/公里）
  • 當(dāng)一個乘客做完出租車之后，車上的計價器需要算出來該乘客需要支付的乘車費用。

如果以數(shù)學(xué)模型的角度可以很容易的解除該題的線性關(guān)系，及?Y=2x+10Y=2x+10，其中YY?為最終所需費用，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題呢，讓機(jī)器來給我們推算出?YY?與?xx?的關(guān)系。即：知道乘客乘坐公里數(shù)和支付費用，但是并不知道每公里行駛費和起步價。

2. 代碼演練

首先，我們以數(shù)學(xué)模型建立關(guān)系式，定義計價收費函數(shù)。該函數(shù)用來生成機(jī)器學(xué)習(xí)的數(shù)據(jù)集。定義好函數(shù)以后，接下來，我們傳入6個數(shù)據(jù)(x)，該函數(shù)可以計算出對應(yīng)的Y值（也就是機(jī)器學(xué)習(xí)訓(xùn)練用到的真實值）。

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))

接下來開始搭建線性回歸。

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)

原文鏈接：https://juejin.cn/post/7129528216800198664

欄目分類
最近更新