【PaddlePaddle系列】Executor逐步训练模型

前言

PaddlePaddle使用Trainer训练模型虽然直接了当，方便快捷，但是对于一些需要逐步训练的模型则比较麻烦。类似Tensorflow采用session.run的形式逐步训练模型，使得训练过程更加显而易见。PaddlePaddle新版本Fluid中，采用Executor也可以完成类似的训练。本文针对简单的回归问题简述以下PaddlePaddle的Executor训练过程。

 

1. Reader的建立

本文尝试使用神经网络模型拟合二次函数，首先我们建立以下二次函数的训练数据，并加上噪声：

train_x  = np.linspace(-1, 1, 128)       # shape (100, 1)
noise    = np.random.normal(0, 0.1, size=train_x.shape)
train_y  = np.power(train_x, 2) + noise   
def reader():
    def reader_creator():
        for i in range(128):   
            yield train_x[i],train_y[i]
    return reader_creator
train_reader = paddle.batch(reader(),batch_size=64)

2. 网络的构建以及损失函数

我们构建一层10个神经元的隐藏层，代码如下：

#构建网络模型
input_layer   = fluid.layers.data(name='data',shape=[1],dtype='float32')
hid   = fluid.layers.fc(input=input_layer, size=10, act='relu')
output = fluid.layers.fc(input=hid, size=1, act=None)
label  = fluid.layers.data(name='label',shape=[1],dtype='float32')
#损失函数采用均方差
cost   = fluid.layers.square_error_cost(input=output,label=label)
avg_cost = fluid.layers.mean(cost)
#优化器选择
optimizer = fluid.optimizer.AdamOptimizer(learning_rate=0.01)
opts      = optimizer.minimize(avg_cost)

3. 训练模型

训练同往常一样，但是需要新建一个Executor和DataFeeder，然后直接对每个batch进行训练，直接明了。

#选择CPU
place = fluid.CPUPlace()
feeder = fluid.DataFeeder(place=place, feed_list=['data', 'label'])
#克隆program用于后面测试
test_program = fluid.default_main_program().clone(for_test=True)
exe = fluid.Executor(place)
#初始化参数
exe.run(fluid.default_startup_program())
for pass_id in range(1000):
#遍历每个batch
    for batch_id,data in enumerate(train_reader()):
        loss = exe.run(fluid.default_main_program(),
                             feed=feeder.feed(data),
                             fetch_list=[avg_cost])

4. 测试

这里也是同样运用exe.run，与上面训练差不多一样。这里还是用回训练集测试，将每个batch的结果保存在数组中。

    #用于保存每个batch的结果，便签等
    x_ = []
    y_ = []
    l_= []
    for batch_id,data in enumerate(train_reader()):
        x,y,l=exe.run(program=test_program,
               feed=feeder.feed(data),
               fetch_list=[input_layer,output,label])

        x_ =np.hstack((x_,x.ravel()))
        y_ =np.hstack((y_,y.ravel()))
        l_ =np.hstack((l_,l.ravel()))

 

5.结果

红线逐步拟合到散点

 

参考：Tensorflow-Tutorial/tutorial-contents/301_simple_regression.py

代码：GitHub 

转载于:https://www.cnblogs.com/dzqiu/p/9648368.html