飞桨(PaddlePaddle)是集深度学习核心框架、工具组件和服务平台为一体的技术先进、功能完备的开源深度学习平台
如果以数学模型的角度可以很容易的解除该题的线性关系，及 Y=2x+10Y=2x+10，其中YY 为最终所需费用，xx 为行驶公里数。
试想，我们用机器学习的方法进行训练是不是也可以解决该问题呢，让机器来给我们推算出 YY 与 xx 的关系。即：知道乘客乘坐公里数和支付费用，但是并不知道每公里行驶费和起步价。
首先，我们以数学模型建立关系式，定义计价收费函数。该函数用来生成机器学习的数据集。定义好函数以后，接下来，我们传入6个数据(x)，该函数可以计算出对应的Y值（也就是机器学习训练用到的真实值）。
def calculate_fee(distance_travelled):
return 10+ 2*distance_travelled
for x in [1.0, 3.0, 5.0, 9.0, 10.0, 20.0]:
print(calculate_fee(x))接下来开始搭建线性回归。
将输入数据与输出结果数组转为张量：
import paddle import numpy x_data = paddle.to_tensor([[1.0], [3.0], [5.0], [9.0], [10.0], [20.0]]) y_data = paddle.to_tensor([[12.0],[16.0],[20.0],[28.0],[30.0],[50.0]])
linear = paddle.nn.Linear(in_features=1,out_features=1)
# 随机初始化w,b
w_before_opt = linear.weight.numpy().item()
b_before_opt = linear.bias.numpy().item()
# 打印初始w,b
print(w_before_opt,b_before_opt)
mse_loss = paddle.nn.MSELoss()
sgd_optimizer = paddle.optimizer.SGD(learning_rate=0.001, parameters=linear.parameters())
total_epoch = 5000
for i in range(total_epoch):
y_predict = linear(x_data)
loss = mse_loss(y_predict,y_data)
# 反向传播（求梯度）
loss.backward()
# 优化器往前走一步：求出的梯度给优化器用调参
sgd_optimizer.step()
# 优化器把调完参数所用的梯度去清掉，下次再去求
sgd_optimizer.clear_gradients()
# 打印信息
if i % 1000 == 0:
print(i,loss.numpy())
print("finish training, loss = {}".format(loss.numpy()) )
w_after_opt = linear.weight.numpy().item()
b_after_opt = linear.bias.numpy().item()
print(w_after_opt,b_after_opt)
