1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
| import paddle
# 定义一个计算费用的函数，根据行驶距离计算总费用
def calculate_fee(distance_travelled):
"""
根据行驶距离计算总费用。
参数:
distance_travelled -- 行驶距离
返回:
总费用
"""
return 10 + distance_travelled * 2
# 对于一组行驶距离，计算并打印相应的费用
for x in [1.0, 3.0, 5.0, 10.0]:
print(calculate_fee(x))
# 线性回归demo
# 将行驶距离和对应的费用转换为PaddlePaddle张量
x_data = paddle.to_tensor([[1.0], [3.0], [5.0], [10.0]])
y_data = paddle.to_tensor([[12.0], [16.0], [20.0], [30.0]])
# 创建一个线性模型，用于拟合行驶距离和费用之间的关系
linear = paddle.nn.Linear(in_features=1, out_features=1)
# 获取线性模型的初始权重和偏置
w_before_opt = linear.weight.numpy().item()
b_before_opt = linear.bias.numpy().item()
print("Initial w: %.2f, b: %.2f" % (w_before_opt, b_before_opt))
# 定义均方误差损失函数
mes_loss = paddle.nn.MSELoss()
# 创建随机梯度下降优化器
sgd_optimizer = paddle.optimizer.SGD(learning_rate=0.001, parameters=linear.parameters())
# 设置总训练轮数 可分别tiao换为10000, 20000, 50000
total_epoch = 20000
# 开始训练过程
for i in range(total_epoch):
# 使用线性模型进行预测
y_predict = linear(x_data)
# 计算预测值和真实值之间的损失
loss = mes_loss(y_predict, y_data)
# 反向传播计算梯度
loss.backward()
# 更新模型参数
sgd_optimizer.step()
# 清除梯度
sgd_optimizer.clear_gradients()
# 每1000轮打印一次训练信息
if i % 1000 == 0:
print(i, loss.numpy())
print("Training finished, loss= {}".format(loss.numpy()))
# 获取训练后的权重和偏置
w_after_opt = linear.weight.numpy().item()
b_after_opt = linear.bias.numpy().item()
print("Initial w: %.2f, b: %.2f" % (w_after_opt, b_after_opt))
|