导入必要的库

import numpy as np
import paddle
import paddle.nn as nn

数据准备：

seed=1
paddle.seed(seed)

# 1.散点输入 定义输入数据
data = [[-0.5, 7.7], [1.8, 98.5], [0.9, 57.8], [0.4, 39.2], [-1.4, -15.7], [-1.4, -37.3], [-1.8, -49.1], [1.5, 75.6], [0.4, 34.0], [0.8, 62.3]]
#转化为数组
data=np.array(data)
# 提取x 和y
x_data=data[:,0]
y_data=data[:,1]
#转成张量 转成paddlepaddle张量
x_train=paddle.to_tensor(x_data,dtype=paddle.float32)
y_train=paddle.to_tensor(y_data,dtype=paddle.float32)

定义模型：

class LinearModel(nn.Layer):
    def __init__(self):
       super(LinearModel,self).__init__()
       self.linear=nn.Linear(1,1)
    def forward(self,x):
        x=self.linear(x)
        return x
#定义模型的对象
model=LinearModel()

损失函数和优化器：

#3.1损失函数
criterion=paddle.nn.MSELoss()
#3.2 优化器
optimizer=paddle.optimizer.SGD(learning_rate=0.01, parameters=model.parameters())

模型训练和保存：

epochs=500
final_checkpoint={}
for epoch in range(1,epochs+1):
    #前向传播
    #unsqueeze()扩展一维
    y_prd=model(x_train.unsqueeze(1))
    loss=criterion(y_prd.squeeze(1),y_train)
    #清除之前计算的梯度
    optimizer.clear_grad()
    #自动计算梯度
    loss.backward()
    #更新参数
    optimizer.step()
    # 5.显示频率的设置
    if epoch % 10==0 or epoch==1:
        #可以使用float(loss)或者 loss.numpy()会报警告
        print(f"epoch:{epoch},loss:{float(loss)}")
    #添加检查点程序
    if epoch==epochs:
        #把迭代次数写入
        final_checkpoint['epoch']=epoch
        #把训练损失写入
        final_checkpoint['loss']=loss

#基础API模型的保存
paddle.save(model.state_dict(),'./基础API/model.pdparams')
#保存检查点checkpoint信息 是序列化的文件
paddle.save(final_checkpoint, "./基础API/final_checkpoint.pkl")

模型加载及预测：

#基础API模型的加载
model_state_dict=paddle.load('./基础API/model.pdparams')
# optimizer_state_dict=paddle.load('./基础API/optimizer.pdopt')
final_checkpoint_state_dict=paddle.load('./基础API/final_checkpoint.pkl')
print(final_checkpoint_state_dict)

#模型和参数联系起来
model.set_state_dict(model_state_dict)

#训练 评估 和推理
# 模型验证模式
model.eval()
#使用TensorDateset 和DateLoader封装
dataloader_test=DataLoader(TensorDataset([paddle.to_tensor([1.5],dtype=paddle.float32)]),batch_size=1)

#迭代
for x_test in dataloader_test:
    predict=model(x_test[0])
    print(predict)

结果展示：