开发环境：
操作系统：Windows家庭版
开发IDE：pycharm
深度学习框架：paddlepaddle
Python版本：python3.7
代码分析：
#导入必要的库
import paddle.fluid as fluid
import paddle
import numpy as np
import os# 从paddle接口中获取房价数据训练集
train_reader = paddle.batch(paddle.reader.shuffle(paddle.dataset.uci_housing.train(), #获取uci_housing训练数据buf_size=500), #在buf_size的空间内进行乱序batch_size=20) #batch_size:每个批次读入的训练数据量
# 从paddle接口中获取房价数据测试集
test_reader = paddle.batch(paddle.reader.shuffle(paddle.dataset.uci_housing.test(), buf_size=500),#获取uci_housing的测试数据batch_size=20) #batch_size:每个批次读入的测试数据量
#定义一个简单的线性网络，网络有1层。输入层为x，输出大小为1，激活函数是relu的全连接层
#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')
#定义一个简单的线性网络
net=fluid.layers.fc(input=x,size=1,act=None)
# 定义损失函数
y = fluid.layers.data(name='y', shape=[1], dtype='float32')#定义张量y,表示目标值
cost = fluid.layers.square_error_cost(input=net, label=y) #求一个batch的损失值
avg_cost = fluid.layers.mean(cost) #对损失值求平均值# 定义优化方法
optimizer = fluid.optimizer.SGDOptimizer(learning_rate=0.001)
opts = optimizer.minimize(avg_cost)
# 创建一个使用CPU的解释器
place = fluid.CPUPlace()
exe = fluid.Executor(place)
# 进行参数初始化
exe.run(fluid.default_startup_program())
[]
# 定义输入数据维度
feeder = fluid.DataFeeder(place=place, feed_list=[x, y])
# 开始训练和测试
for pass_id in range(10): #训练10次# 开始训练并输出最后一个batch的损失值train_cost = 0for 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fetch_list=[avg_cost]) print("Pass:%d, Cost:%0.5f" % (pass_id, train_cost[0][0])) #打印最后一个batch的损失值# 开始测试并输出最后一个batch的损失值test_cost = 0for batch_id, data in enumerate(test_reader()): #遍历test_reader迭代器test_cost = exe.run(program=fluid.default_main_program(), #运行测试chengfeed=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model_save_dir = "/home/aistudio/data/fit_a_line.inference.model"# 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))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[net], #保存推理（inference）结果的 Variablesexe) #exe 保存 inference model
infer_exe = fluid.Executor(place) #创建推测用的executor
inference_scope = fluid.core.Scope() #Scope指定作用域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programfeed_target_names, #str列表，包含需要在推理program中提供数据的变量名称fetch_targets] = fluid.io.load_inference_model(model_save_dir,#fetch_targets: 推断结果，model_save_dir:模型训练路径 infer_exe) #infer_exe: 运行 inference model的 executor#获取推测数据infer_reader = paddle.batch(paddle.dataset.uci_housing.test(), #获取uci_housing的测试数据batch_size=10) #从测试数据中读取一个大小为10的batch数据#从test_reader中分割xtest_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, #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))print("ground truth:")for idx, val in enumerate(test_y):print("%d: %.2f" % (idx, val))