part1.首先引入相应的函数库:

值得说明的地方：

（1）首先，numpy是一个python库，主要用于提供线性代数中的矩阵或者多维数组的运算函数，利用import numpy as np引入numpy，并将np作为它的别名

part2.（一步步慢慢来，从0到1，只要突破了，就会有1到100的发生，所以，慢慢来）下面我们一点点分析“数据处理”部分的代码：

（1）

这里，就是python中用得最多的函数模块定义，反正下面就是定义了一个load_data()函数

 (2)

 

 

首先，定义一个路径变量（可能是string类型，反正python中变量没有类型），这个路径从这个平台页面的左上角可以查看到./work/house.data里面就是我们需要用到的空气中各个指标的数据

 

关于这个numpy.fromfile函数的用法和参数说明：

 

我觉得，这里sep用' '一个空格作为参数，就是用作分隔符的作用

 (3)

首先，创建一个names名称字符串数组feature_names，这个数组一共有14个值，前13个值是空气中的各个指标成分，最后一个是房屋价格的中位数

然后，调用len（数组）这个函数取出这个数组的长度14给到变量feature_num

（4）  

 

 差点就以为“//”是注释的意思了，

这样的话就好理解了，就是总共有data.shape[0]个数据，除以feature_num得到行，feature_num作为列数，

所以，这一条语句之后，data就变成了一个[N，14]的二维数组了

(5)

 这一部分很容易理解：就是比如说data这个二维数组一共有N行，我们取出前0.8N行构建一个新的二维数组training_data最为训练集数据

(6)

 首先，需要了解numpy.max函数中axis参数的含义，axis=0代表取每一列中的最大值，这里的含义就是，总共14个指标，每个指标代表1列，所以就按列分别取出14个列的最大值作为一个大小为14的一维数组，然后给到那个一维数组变量maximums,

同理，minimums也得到一个这样的一维数组，

avgs也是同样，只不过是每一列求和除以行数的平均值

(7)

 关于python中的global变量的说明:

 (8)

 关于“归一化处理”我的理解就是，相对于“某个值”的占比，反正就是为了消除单位的影响

 上面这个代码：就是将data这个数组，for循环是依次按列从列1到列14进行处理，

每个循环就是将1-N所有的行的第i列数据进行归一化处理

（9）

 这样看的话，整个def load_data()函数就非常清楚了，

最后就是将“规格化（规格化做的工作就是[N，14]这样）”和“归一化”处理后的二维数组data[N，14]再次分割为前80%作为training_data这个二维数组，后20%最为test_data这个二维数组

(之前有一个代码我觉得是多余的就是这个，因为最后由定义了一次)

part3：模型设计部分

（1）

 

 用法示例：

 这里是定义模型的初始化函数，利用super函数继承了父类的的初始化方法，然后定义了一个fc全连接层，里面没有使用激活函数

 注意，这里的父类就是那个fluid.dygraph.Layer这个类

 关于这个forward函数，就我目前看来，主要是用来组合_init_中定义的全连接层,最终返回一个结果,比如这里就是调用了_init定义的fc全连接层，输入inputs参数，返回一个x结果

part4：训练的配置阶段

 

其实这里主要做的，就是：

（1）声明之前定义的Regreesor类的实例model，然后开启model的训练模式

（2）调用之前定义好的load_data()函数，将所有的数据加载到train_data和test_data中

（3）最后设置fluid库中的optimizer模块中的SGD模板函数的参数0.01，model中的各个参数,

设置好参数的模板函数得到实例函数opt留到之后使用

part5:模型训练过程

 (1)

这里就是说明了使用的资源是CPU,然后设置epoch的次数和batch的大小

(2) 

外层循环干的事：首先将这一轮所有的训练数据shuffle打乱，然后，将training_data中的每10条数据作为一个batch，所有的batch放到min_batches这个数组中，这个数组的元素就是单个batch，而单个batch其实是10*14的二维数组

(3)

这里面的就是内层循环的主要训练代码了， 

 首先是house_features里面就是10*13的变量，prices就是10*1的值

然后，调用model函数，传参house_features得到10*1的predicts

之后，计算predicts和prices之间的loss，并且计算这10个数据的mean平均avg_loss

最后，也是比较迷惑的:

 这里有关于backward（）函数的说明，就我看来就是根据loss数据对模型的那些还不确定的参数进行更新

 我真的很想将backward()函数和minimize函数当作同一个作用的东西，反正，就是李宏毅在线性模型的的w' = w - η*(dL/dw)这个东西， 

 至于为什么需要清楚梯度，不是很理解。。。

 （4）

 每一个epoch最后，都要进行模型的保存，虽然也不是很理解

part6：将模型保存到文件中

part7：模型测试

(1)定义一个加载需要test的那一条数据的函数 load_one_example(data_dir),data_dir就是文件的路径,实现功能就是从data的所有数据中选出倒数第10条，13个变量给到data变量，真实结果作为label给到label变量，它们都是“归一化”之后的结果，可以直接用

 (2)

首先，是获取保存在文件中的模型，并且启动eval模式

然后，加载需要测试的test_data,并且传递给model模型，并得到预测的结果results

最后，输出results(“反归一化之后”) 和 真实label 

part8:通过参数的调整，得到不同的结果：

1.学习率的调整;

(1)学习率0.05

 (2)学习率0.01

(3)学习率0.10

 2.还可以调整batch大小，训练集的比例等等，自己去尝试一下吧！