Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
PaddlePaddle
book
提交
aa717b29
B
book
项目概览
PaddlePaddle
/
book
通知
17
Star
4
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
40
列表
看板
标记
里程碑
合并请求
37
Wiki
5
Wiki
分析
仓库
DevOps
项目成员
Pages
B
book
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
40
Issue
40
列表
看板
标记
里程碑
合并请求
37
合并请求
37
Pages
分析
分析
仓库分析
DevOps
Wiki
5
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
未验证
提交
aa717b29
编写于
5月 28, 2019
作者:
L
lvmengsi
提交者:
GitHub
5月 28, 2019
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
Update description for book/01 (#724)
* update description and formula type for book/01
上级
1a512ae5
变更
6
隐藏空白更改
内联
并排
Showing
6 changed file
with
46 addition
and
12 deletion
+46
-12
01.fit_a_line/README.cn.md
01.fit_a_line/README.cn.md
+23
-6
01.fit_a_line/image/formula_fit_a_line_1.png
01.fit_a_line/image/formula_fit_a_line_1.png
+0
-0
01.fit_a_line/image/formula_fit_a_line_2.png
01.fit_a_line/image/formula_fit_a_line_2.png
+0
-0
01.fit_a_line/image/formula_fit_a_line_3.png
01.fit_a_line/image/formula_fit_a_line_3.png
+0
-0
01.fit_a_line/image/formula_fit_a_line_4.png
01.fit_a_line/image/formula_fit_a_line_4.png
+0
-0
01.fit_a_line/index.cn.html
01.fit_a_line/index.cn.html
+23
-6
未找到文件。
01.fit_a_line/README.cn.md
浏览文件 @
aa717b29
...
...
@@ -3,10 +3,21 @@
本教程源代码目录在
[
book/fit_a_line
](
https://github.com/PaddlePaddle/book/tree/develop/01.fit_a_line
)
, 初次使用请您参考
[
Book文档使用说明
](
https://github.com/PaddlePaddle/book/blob/develop/README.cn.md#运行这本书
)
。
### 说明:###
1.
硬件环境要求:
本文可支持在CPU、GPU下运行
2.
Docker镜像支持的CUDA/cuDNN版本:
如果使用了Docker运行Book,请注意:这里所提供的默认镜像的GPU环境为 CUDA 8/cuDNN 5,对于NVIDIA Tesla V100等要求CUDA 9的 GPU,使用该镜像可能会运行失败。
3.
文档和脚本中代码的一致性问题:
请注意:为使本文更加易读易用,我们拆分、调整了train.py的代码并放入本文。本文中代码与train.py的运行结果一致,可直接运行
[
train.py
](
https://github.com/PaddlePaddle/book/blob/develop/01.fit_a_line/train.py
)
进行验证。
## 背景介绍
给定一个大小为$n$的数据集 ${
\{
y_{i}, x_{i1}, ..., x_{id}
\}
}_{i=1}^{n}$,其中$x_{i1},
\l
dots, x_{id}$是第$i$个样本$d$个属性上的取值,$y_i$是该样本待预测的目标。线性回归模型假设目标$y_i$可以被属性间的线性组合描述,即
$$y_i =
\o
mega_1x_{i1} +
\o
mega_2x_{i2} +
\l
dots +
\o
mega_dx_{id} + b, i=1,
\l
dots,n$$
<p
align=
"center"
>
<img
src =
"https://github.com/ceci3/book/blob/update_fit_a_line/01.fit_a_line/image/formula_fit_a_line_1.png?raw=true"
width=
550
><br/>
</p>
例如,在我们将要建模的房价预测问题里,$x_{ij}$是描述房子$i$的各种属性(比如房间的个数、周围学校和医院的个数、交通状况等),而 $y_i$是房屋的价格。
...
...
@@ -25,7 +36,9 @@ $$y_i = \omega_1x_{i1} + \omega_2x_{i2} + \ldots + \omega_dx_{id} + b, i=1,\ldo
在波士顿房价数据集中,和房屋相关的值共有14个:前13个用来描述房屋相关的各种信息,即模型中的 $x_i$;最后一个值为我们要预测的该类房屋价格的中位数,即模型中的 $y_i$。因此,我们的模型就可以表示成:
$$
\h
at{Y} =
\o
mega_1X_{1} +
\o
mega_2X_{2} +
\l
dots +
\o
mega_{13}X_{13} + b$$
<p
align=
"center"
>
<img
src =
"https://github.com/ceci3/book/blob/update_fit_a_line/01.fit_a_line/image/formula_fit_a_line_2.png?raw=true"
width=
350
><br/>
</p>
$
\h
at{Y}$ 表示模型的预测结果,用来和真实值$Y$区分。模型要学习的参数即:$
\o
mega_1,
\l
dots,
\o
mega_{13}, b$。
...
...
@@ -33,13 +46,17 @@ $\hat{Y}$ 表示模型的预测结果,用来和真实值$Y$区分。模型要
对于线性回归模型来讲,最常见的损失函数就是均方误差(Mean Squared Error,
[
MSE
](
https://en.wikipedia.org/wiki/Mean_squared_error
)
)了,它的形式是:
$$MSE=
\f
rac{1}{n}
\s
um_{i=1}^{n}{(
\h
at{Y_i}-Y_i)}^2$$
<p
align=
"center"
>
<img
src =
"https://github.com/ceci3/book/blob/update_fit_a_line/01.fit_a_line/image/formula_fit_a_line_3.png?raw=true"
width=
200
><br/>
</p>
即对于一个大小为$n$的测试集,$MSE$是$n$个数据预测结果误差平方的均值。
对损失函数进行优化所采用的方法一般为梯度下降法。梯度下降法是一种一阶最优化算法。如果$f(x)$在点$x_n$有定义且可微,则认为$f(x)$在点$x_n$沿着梯度的负方向$-▽f(x_n)$下降的是最快的。反复调节$x$,使得$f(x)$接近最小值或者极小值,调节的方式为:
$$x_n+1=x_n-λ▽f(x), n≧0$$
<p
align=
"center"
>
<img
src =
"https://github.com/ceci3/book/blob/update_fit_a_line/01.fit_a_line/image/formula_fit_a_line_4.png?raw=true"
width=
250
><br/>
</p>
其中λ代表学习率。这种调节的方法称为梯度下降法。
...
...
@@ -355,7 +372,7 @@ with fluid.scope_guard(inference_scope):
save_result
(
results
[
0
],
infer_label
)
# 保存图片
```
由于每次都是随机选择一个minibatch的数据作为当前迭代的训练数据,所以每次得到的预测结果会有所不同。
## 总结
...
...
@@ -369,4 +386,4 @@ with fluid.scope_guard(inference_scope):
4.
Bishop C M. Pattern recognition[J]. Machine Learning, 2006, 128.
<br/>
<a
rel=
"license"
href=
"http://creativecommons.org/licenses/by-sa/4.0/"
><img
alt=
"知识共享许可协议"
style=
"border-width:0"
src=
"https://i.creativecommons.org/l/by-sa/4.0/88x31.png"
/></a><br
/><span
xmlns:dct=
"http://purl.org/dc/terms/"
href=
"http://purl.org/dc/dcmitype/Text"
property=
"dct:title"
rel=
"dct:type"
>
本教程
</span>
由
<a
xmlns:cc=
"http://creativecommons.org/ns#"
href=
"http://
book
.paddlepaddle.org"
property=
"cc:attributionName"
rel=
"cc:attributionURL"
>
PaddlePaddle
</a>
创作,采用
<a
rel=
"license"
href=
"http://creativecommons.org/licenses/by-sa/4.0/"
>
知识共享 署名-相同方式共享 4.0 国际 许可协议
</a>
进行许可。
<a
rel=
"license"
href=
"http://creativecommons.org/licenses/by-sa/4.0/"
><img
alt=
"知识共享许可协议"
style=
"border-width:0"
src=
"https://i.creativecommons.org/l/by-sa/4.0/88x31.png"
/></a><br
/><span
xmlns:dct=
"http://purl.org/dc/terms/"
href=
"http://purl.org/dc/dcmitype/Text"
property=
"dct:title"
rel=
"dct:type"
>
本教程
</span>
由
<a
xmlns:cc=
"http://creativecommons.org/ns#"
href=
"http://
www
.paddlepaddle.org"
property=
"cc:attributionName"
rel=
"cc:attributionURL"
>
PaddlePaddle
</a>
创作,采用
<a
rel=
"license"
href=
"http://creativecommons.org/licenses/by-sa/4.0/"
>
知识共享 署名-相同方式共享 4.0 国际 许可协议
</a>
进行许可。
01.fit_a_line/image/formula_fit_a_line_1.png
0 → 100644
浏览文件 @
aa717b29
29.8 KB
01.fit_a_line/image/formula_fit_a_line_2.png
0 → 100644
浏览文件 @
aa717b29
22.9 KB
01.fit_a_line/image/formula_fit_a_line_3.png
0 → 100644
浏览文件 @
aa717b29
37.3 KB
01.fit_a_line/image/formula_fit_a_line_4.png
0 → 100644
浏览文件 @
aa717b29
27.8 KB
01.fit_a_line/index.cn.html
浏览文件 @
aa717b29
...
...
@@ -45,10 +45,21 @@
本教程源代码目录在[book/fit_a_line](https://github.com/PaddlePaddle/book/tree/develop/01.fit_a_line), 初次使用请您参考[Book文档使用说明](https://github.com/PaddlePaddle/book/blob/develop/README.cn.md#运行这本书)。
### 说明:###
1.硬件环境要求:
本文可支持在CPU、GPU下运行
2. Docker镜像支持的CUDA/cuDNN版本:
如果使用了Docker运行Book,请注意:这里所提供的默认镜像的GPU环境为 CUDA 8/cuDNN 5,对于NVIDIA Tesla V100等要求CUDA 9的 GPU,使用该镜像可能会运行失败。
3. 文档和脚本中代码的一致性问题:
请注意:为使本文更加易读易用,我们拆分、调整了train.py的代码并放入本文。本文中代码与train.py的运行结果一致,可直接运行[train.py](https://github.com/PaddlePaddle/book/blob/develop/01.fit_a_line/train.py)进行验证。
## 背景介绍
给定一个大小为$n$的数据集 ${\{y_{i}, x_{i1}, ..., x_{id}\}}_{i=1}^{n}$,其中$x_{i1}, \ldots, x_{id}$是第$i$个样本$d$个属性上的取值,$y_i$是该样本待预测的目标。线性回归模型假设目标$y_i$可以被属性间的线性组合描述,即
$$y_i = \omega_1x_{i1} + \omega_2x_{i2} + \ldots + \omega_dx_{id} + b, i=1,\ldots,n$$
<p
align=
"center"
>
<img
src =
"https://github.com/ceci3/book/blob/update_fit_a_line/01.fit_a_line/image/formula_fit_a_line_1.png?raw=true"
width=
550
><br/>
</p>
例如,在我们将要建模的房价预测问题里,$x_{ij}$是描述房子$i$的各种属性(比如房间的个数、周围学校和医院的个数、交通状况等),而 $y_i$是房屋的价格。
...
...
@@ -67,7 +78,9 @@ $$y_i = \omega_1x_{i1} + \omega_2x_{i2} + \ldots + \omega_dx_{id} + b, i=1,\ldo
在波士顿房价数据集中,和房屋相关的值共有14个:前13个用来描述房屋相关的各种信息,即模型中的 $x_i$;最后一个值为我们要预测的该类房屋价格的中位数,即模型中的 $y_i$。因此,我们的模型就可以表示成:
$$\hat{Y} = \omega_1X_{1} + \omega_2X_{2} + \ldots + \omega_{13}X_{13} + b$$
<p
align=
"center"
>
<img
src =
"https://github.com/ceci3/book/blob/update_fit_a_line/01.fit_a_line/image/formula_fit_a_line_2.png?raw=true"
width=
350
><br/>
</p>
$\hat{Y}$ 表示模型的预测结果,用来和真实值$Y$区分。模型要学习的参数即:$\omega_1, \ldots, \omega_{13}, b$。
...
...
@@ -75,13 +88,17 @@ $\hat{Y}$ 表示模型的预测结果,用来和真实值$Y$区分。模型要
对于线性回归模型来讲,最常见的损失函数就是均方误差(Mean Squared Error, [MSE](https://en.wikipedia.org/wiki/Mean_squared_error))了,它的形式是:
$$MSE=\frac{1}{n}\sum_{i=1}^{n}{(\hat{Y_i}-Y_i)}^2$$
<p
align=
"center"
>
<img
src =
"https://github.com/ceci3/book/blob/update_fit_a_line/01.fit_a_line/image/formula_fit_a_line_3.png?raw=true"
width=
200
><br/>
</p>
即对于一个大小为$n$的测试集,$MSE$是$n$个数据预测结果误差平方的均值。
对损失函数进行优化所采用的方法一般为梯度下降法。梯度下降法是一种一阶最优化算法。如果$f(x)$在点$x_n$有定义且可微,则认为$f(x)$在点$x_n$沿着梯度的负方向$-▽f(x_n)$下降的是最快的。反复调节$x$,使得$f(x)$接近最小值或者极小值,调节的方式为:
$$x_n+1=x_n-λ▽f(x), n≧0$$
<p
align=
"center"
>
<img
src =
"https://github.com/ceci3/book/blob/update_fit_a_line/01.fit_a_line/image/formula_fit_a_line_4.png?raw=true"
width=
250
><br/>
</p>
其中λ代表学习率。这种调节的方法称为梯度下降法。
...
...
@@ -397,7 +414,7 @@ with fluid.scope_guard(inference_scope):
save_result
(
results
[0],
infer_label
)
#
保存图片
```
由于每次都是随机选择一个minibatch的数据作为当前迭代的训练数据
,
所以每次得到的预测结果会有所不同
。
##
总结
...
...
@@ -411,7 +428,7 @@ with fluid.scope_guard(inference_scope):
4. Bishop C M. Pattern recognition[J]. Machine Learning, 2006, 128.
<br/>
<a
rel=
"license"
href=
"http://creativecommons.org/licenses/by-sa/4.0/"
><img
alt=
"知识共享许可协议"
style=
"border-width:0"
src=
"https://i.creativecommons.org/l/by-sa/4.0/88x31.png"
/></a><br
/><span
xmlns:dct=
"http://purl.org/dc/terms/"
href=
"http://purl.org/dc/dcmitype/Text"
property=
"dct:title"
rel=
"dct:type"
>
本教程
</span>
由
<a
xmlns:cc=
"http://creativecommons.org/ns#"
href=
"http://
book
.paddlepaddle.org"
property=
"cc:attributionName"
rel=
"cc:attributionURL"
>
PaddlePaddle
</a>
创作,采用
<a
rel=
"license"
href=
"http://creativecommons.org/licenses/by-sa/4.0/"
>
知识共享 署名-相同方式共享 4.0 国际 许可协议
</a>
进行许可。
<a
rel=
"license"
href=
"http://creativecommons.org/licenses/by-sa/4.0/"
><img
alt=
"知识共享许可协议"
style=
"border-width:0"
src=
"https://i.creativecommons.org/l/by-sa/4.0/88x31.png"
/></a><br
/><span
xmlns:dct=
"http://purl.org/dc/terms/"
href=
"http://purl.org/dc/dcmitype/Text"
property=
"dct:title"
rel=
"dct:type"
>
本教程
</span>
由
<a
xmlns:cc=
"http://creativecommons.org/ns#"
href=
"http://
www
.paddlepaddle.org"
property=
"cc:attributionName"
rel=
"cc:attributionURL"
>
PaddlePaddle
</a>
创作,采用
<a
rel=
"license"
href=
"http://creativecommons.org/licenses/by-sa/4.0/"
>
知识共享 署名-相同方式共享 4.0 国际 许可协议
</a>
进行许可。
</div>
<!-- You can change the lines below now. -->
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录