使用飞桨重写波士顿房价预测人物

首先加载飞桨，NumPy和相关类库

import paddle
from paddle.nn import Linear
import paddle.nn.functional as F
import numpy as np
import os
import random

1.数据处理

2.模型设计

飞桨建议通过创建Python类的方式完成模型网络的定义，该类需要继承paddle.nn.Layer父类，并且在类中定义init函数和forward函数。

定义init函数：在类的初始化函数中声明每一层网络的实现函数。

定义forward函数：构建神经网络结构，实现前向计算过程，并返回预测结果，在本任务中返回的是房价预测结果

3.训练配置

模型实例有两种状态：训练状态.train()和预测状态.eval()。训练时要执行正向计算和反向传播梯度两个过程，而预测时只需要执行正向计算，为模型指定运行状态

4.训练过程

训练过程采用二层循环嵌套方式：

内层循环：负责整个数据集的一次遍历，采用分批次方式（batch）。假设数据集样本数量为1000，一个批次有10个样本，则遍历一次数据集的批次数量是1000/10=100，即内层循环需要执行100次。
```
  for iter_id, mini_batch in enumerate(mini_batches):
```
外层循环：定义遍历数据集的次数，通过参数EPOCH_NUM设置。

  for epoch_id in range(EPOCH_NUM):

batch的取值会影响模型训练效果，batch过大，会增大内存消耗和计算时间，且训练效果并不会明显提升（每次参数只向梯度反方向移动一小步，因此方向没必要特别精确）；batch过小，每个batch的样本数据没有统计意义，计算的梯度方向可能偏差较大。

数据准备：将一个批次的数据先转换成nparray格式，再转换成Tensor格式；
前向计算：将一个批次的样本数据灌入网络中，计算输出结果；
计算损失函数：以前向计算结果和真实房价作为输入，通过损失函数square_error_cost API计算出损失函数值（Loss）。飞桨所有的API接口都有完整的说明和使用案例，可以登录飞桨官网API文档获取；
反向传播：执行梯度反向传播backward函数，即从后到前逐层计算每一层的梯度，并根据设置的优化算法更新参数(opt.step函数)。

5.保存并测试模型

5.1保存

使用paddle.save API将模型当前的参数数据 model.state_dict() 保存到文件中，用于模型预测或校验的程序调用。

5.2测试

将训练好的模型参数加载到模型实例中，由两个语句完成，第一句是从文件中读取模型参数；第二句是将参数内容加载到模型。