作业4-2： 基于飞浆框架编写的程序更简洁，运算速度更快。 很多程序段的功能仅需几行甚至一行代码就可以实现，这归因于框架对诸多常用功能的模块化，使得编程不再是一行行的独自编写，而变成了根据需求调用不同的函数，这使得用方可以更快速的完成编程，且易于新手使用。一个问题可以使用不同的方法来处理，这取决于每个人对问题的理解角度，飞浆框架是通过诸多资深程序员研发出的各函数模块构成的，在程序简洁、运算速度等方面远远优于单一程序员或单一团队进行的程序编写。目前全球AI领域发展迅速，诸多框架的竞争异常激烈，希望飞浆能成为其中翘楚。（之前用错号了 重新发下 = =#）

作业4-2

直接借鉴#498的，写的很好，谢谢。

作业4-2：

相同点：无论是使用飞浆框架还是python编写房价预测程序，对过程进行抽象和概括，都需要加载数据和预处理，定义模型，配置模型训练策略和资源配置，模型训练，模型评价，模型预测，模型部署几个步骤等。

不同点：手工编写训练神经网络的代码进行网络训练，需要不但要考虑模型本身，还有有较高的代码编写能力，需要对编程语言有深刻的理解、抽象、测试，最终的结果还不一定有较好健壮类库。飞浆框架是经过大规模产业实验和专家级工程时开发测试过的，无论是程序执行效率和代码的健壮性上都时可靠的，最重要的事开发人员可关注与模型和数据本身，而不必对计算机有深入了解即可以较低的难度入门尝试机器学习。

作业2-1：

（1）基础题 苹果和橘子的梯度传播

作业2（2）挑战题：

#!/usr/bin/env python
# coding: utf-8

# In[3]:

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# In[4]:

def load_data():
# 从文件导入数据
datafile = 'data/data17808/housing.data'
data = np.fromfile(datafile, sep=' ')

# 每条数据包括14项，其中前面13项是影响因素，第14项是相应的房屋价格中位数
feature_names = [ 'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV' ]
feature_num = len(feature_names)

# 将原始数据进行Reshape，变成[N, 14]这样的形状
data = data.reshape([data.shape[0] // feature_num, feature_num])

# 将原数据集拆分成训练集和测试集
# 这里使用80%的数据做训练，20%的数据做测试
# 测试集和训练集必须是没有交集的
ratio = 0.8
offset = int(data.shape[0] * ratio)
training_data = data[:offset]

# 计算train数据集的最大值，最小值，平均值
maximums, minimums, avgs = training_data.max(axis=0), training_data.min(axis=0), training_data.sum(axis=0) / training_data.shape[0]

# 对数据进行归一化处理
for i in range(feature_num):
#print(maximums[i], minimums[i], avgs[i])
data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i])

# 训练集和测试集的划分比例
training_data = data[:offset]
test_data = data[offset:]
return training_data, test_data

# In[5]:

class Network(object):
def __init__(self, num_of_weights):
# 随机产生w的初始值
# 为了保持程序每次运行结果的一致性，此处设置固定的随机数种子
#np.random.seed(0)
self.w = np.random.randn(num_of_weights, 1)
self.v = x*w
self.b = 0.

def forward(self, x):
z = np.dot(x, self.w) + self.b
return z

def loss(self, z, y):
error = z - y
num_samples = error.shape[0]
cost = error * error
cost = np.sum(cost) / num_samples
return cost

def gradient1(self, gv, y):
v = self.forward(x)
N = x.shape[0]
gradient_w = gv * x
return gradient_w

def gradient2(self, v, y):
z = v+b
N = v.shape[0]
gradient_v = 1. / N * np.sum(z-y)
gradient_b = 1. / N * np.sum(z-y)
return gradient_v, gradient_b

def update(self, gradient_w, gradient_b, eta = 0.01):
self.w = self.w - eta * gradient_w
self.b = self.b - eta * gradient_b


def train(self, training_data, num_epoches, batch_size=10, eta=0.01):
n = len(training_data)
losses = []
for epoch_id in range(num_epoches):
# 在每轮迭代开始之前，将训练数据的顺序随机的打乱，
# 然后再按每次取batch_size条数据的方式取出
np.random.shuffle(training_data)
# 将训练数据进行拆分，每个mini_batch包含batch_size条的数据
mini_batches = [training_data[k:k+batch_size] for k in range(0, n, batch_size)]
for iter_id, mini_batch in enumerate(mini_batches):
#print(self.w.shape)
#print(self.b)
x = mini_batch[:, :-1]
y = mini_batch[:, -1:]
a = self.forward(x)
loss = self.loss(a, y)
gradient_v, gradient_b = self.gradient2(v, y)
gradient_w=self.gradient1(gradient_v,x)
self.update(gradient_w, gradient_b, eta)
losses.append(loss)
print('Epoch {:3d} / iter {:3d}, loss = {:.4f}'.
format(epoch_id, iter_id, loss))

return losses

# In[6]:

# 获取数据
train_data, test_data = load_data()

# 创建网络
net = Network(13)
# 启动训练
losses = net.train(train_data, num_epoches=50, batch_size=100, eta=0.1)

# 画出损失函数的变化趋势
plot_x = np.arange(len(losses))
plot_y = np.array(losses)
plt.plot(plot_x, plot_y)
plt.show()

# 请点击[此处](https://ai.baidu.com/docs#/AIStudio_Project_Notebook/a38e5576)查看本环境基本用法.

# Please click [here ](https://ai.baidu.com/docs#/AIStudio_Project_Notebook/a38e5576) for more detailed instructions.

作业4-2: 通过Python、深度学习框架，不同方法写房价预测，Python编写的模型 和 基于飞桨编写的模型在哪些方面存在异同？例如程序结构，编写难易度，模型的预测效果，训练的耗时等等？

作业4-2: 通过Python、深度学习框架，不同方法写房价预测，Python编写的模型 和 基于飞桨编写的模型在哪些方面存在异同？例如程序结构，编写难易度，模型的预测效果，训练的耗时等等？

文字答案一直审核不过，传图片

作业4-2：

（2）Python编写的模型 和 基于飞桨编写的模型均是未实现共同的模型训练而设计的代码，其功能或是业务目标是相同的，但是

Python编写的模型执行效率慢，代码量高（由于实际上从0开始写神经网络模型），且需要掌握较深的数学知识，等诸多缺陷；

基于飞桨编写的模型可以充分利用计算机资源（如GPU资源），且常用的功能已经做好了封装，我们编写代码时只需注重具体的业务功能，无需留意功能的实现，要求的数学能力无需深奥，等诸多有点

作业4-2: 通过Python、深度学习框架，不同方法写房价预测，Python编写的模型 和 基于飞桨编写的模型在哪些方面存在异同？例如程序结构，编写难易度，模型的预测效果，训练的耗时等等？

程序结构：基本相同。

编写难易程度：基于飞桨编写的模型容易很多。

模型的预测效果：差距不大

训练的耗时：飞桨耗时短很多

理论作业4-2：

本人60后，从事供热行业，为省内供热专家。供热行业目前处于原始混沌状态，面临着产业升级阶段，急需技术上的突破。“智慧供热”在行业内已经提出2年多了，参加了几次国内相关会议，均未得到明确的解决方案。因此，产生了学习人工智能的愿望，希望了解人工智能技术，具备与人工智能专家沟通的能力，发挥各自专业的能力，有机结合，促进人工智能在供热行业尽快落地。

我的体会是：

1.  Python本来就是接近人类语言的编程语言，又是开源的，对于零基础的门外汉来说，是能够接受的，经过努力是可以迈过的门槛。

2. 飞桨相比于Python编程更容易掌握，其提供了一个框架平台，让像我这样的门外汉可以实现涉足人工智能梦想的可能。百度飞桨好比windows对电脑的普及，使各行各业可以实现人工智能落地，促进各行各业的产业升级，发展前景无限广阔。

作业4-2：

1.使用python编写的模型写房价预测，难免会导致程序结构非常复杂，而且效率比较低，时间复杂度比较高，代码编写过程难度比较大，并且模型的预测效果也不一定很好，同时因为没有压缩的框架，会使得训练的耗时相当多。有很多算法公式都需要自己编写完成，比如loss损失函数，优化函数等，而且特别容易出错。

2.用基于飞桨编写的模型使得编程特别有规律，特别简单，对于模型，损失函数，优化函数等直接调用飞桨的包即可完成，程序简练，大致包括（1）数据处理，此部分和之前一样，包括读文件，对数据进行预处理，归一化操作，导成飞桨内置的数据格式等；（2）模型设计，包括网络结构的设计，损失函数的选取，网络结构有多层网络、单层网络、激活函数等等，损失函数有均方误差等；（3）训练配置，选取优化器和资源配置，最常用的有梯度下降法（瞎子下坡法）SGD,资源配置即选取cpu或者gpu；（4）训练，对模型进行训练，作图等；（5）把训练的模型进行保存，调用保存的参数进行预测。

作业4-2：
使用飞桨编写模型，更利于快速的开发以及验证，编写的难度低，代码量小；若完全手写感觉比较适合初学者去理解更多的东西，但无论是编写效率或者运行效率应该慢不少

通过Python、深度学习框架，不同方法写房价预测，Python编写的模型 和 基于飞桨编写的模型在哪些方面存在异同？例如程序结构，编写难易度，模型的预测效果，训练的耗时等等？

共同点:   代码结构完全一致，分为5个部分:

１. 数据处理：读取数据 和 预处理操作

２. 模型设计：网络结构（假设）

３. 训练配置：优化器（寻解算法）和 计算资源配置

４. 训练过程：循环调用训练过程，包括前向计算 + 计算损失（优化目标） +后向传播

５. 保存模型：将训练好的模型保存

不同点：飞桨编写了基本的优化算法和封装函数，可读性更好，效率更高，开发人员可以将重心放在数据预处理、网络结构和调优上。

作业1-2：

1.零售业某商品的销售量问题；假设和参数：销售量（y）与该商品价格(x1)，时间段(x2)，天气情况(x3)，商场周边居住人口数量(x4)，居住人口的年龄段分布(x5)成正比，满足 (预测值) z= w1*x1+w2*x2+w3*x3+w4*x4+w5*x5+b ；优化目标：（y-z）*(y-z) 趋于0

2.随着大数据的发展，使得深度学习有了足够的数据进行学习，以及GPU等硬件的发展，提升的深度学习的性能得到大幅提升，使得深度学习可以满足工业应用的要求，也促使深度学习原理得到优化与进步。  随着中国工业自动化的需求，更多的机器将代替人工，但有些复杂的事情传统的算法无法做到，深度学习提供了一条切实可行的道路。

作业4-2：
共同点：加载数据的方式都一样。构建网络模型，前向计算，计算损失，后向传播，保存模型。

不同点：代码量不一样。Python编写的模型代码量要比Paddle框架的大很多，由于Padddle框架内置实现了很多算法，所以可以一两行代码即可完成复杂的逻辑。

作业4-2：

相同处：代码均分为如下的5个部分：数据处理、 模型设计、训练配置、 训练过程、 保存模型，程序结构相同。模型的预测效果也差不多。

不同处：使用paddlepaddle框架编写更加简单，代码量大大减小，不需要自己从头编写代码；使用框架后训练耗时也会缩短。

作业4-2:

同:原理都是一样的,都需要经过导入数据,处理数据,向前计算,计算损失函数,向后计算,更新模型等.

异:python的编写代码多一些,没有框架使用,预测效果可能都是差不多的,因为原理是一样的,效率方面是飞浆好点,应为这是百度大佬不断加强修改的框架,用起来也方便许多,更重要的是,你只需要明白逻辑,步骤,就可以使用飞浆完成编写代码,不需要自己十分了解计算过程.

作业3.1

（1）

import numpy as np
import matplotlib.pyplot as plt
x = np.arange(-10, 10, 0.1)
a = np.exp(x)
b = np.exp(-x)
y = (a - b) / (a + b)
plt.plot(x, y)
plt.show()

（2）

p = np.random.randn(10,10)
q = (p > 0)
q = q.astype(int)
q.sum()

作业4-2：

共同点：大体的流程是一致的，都需要经过数据处理，然后设置参数、搭建模型、设定梯度传递公式、设定损失函数、设定损失函数优化方法、数据批输入方式然后设定训练轮数，才能开始送数据进模型进行优化。

不同点：paddle优化了设置参数、搭建模型、梯度传递、损失优化方法、数据输入方法；使得使用者可以更加专注于网络的设计，而不需要进行底层优化，让术业有专攻。同时paddle优化过的函数，在运行效率上比自己写要好的，训练效果也好。