基于PaddlePaddle的线性回归模型实战：出租车计价器案例

今天早睡

发布时间：2026-10-15| 5人浏览过

原创

本文通过出租车计价场景，演示如何使用飞桨PaddlePaddle构建线性回归模型。从定义数学关系Y=2x+10生成数据集，到使用paddle.nn.Linear搭建网络，结合MSELoss与SGD优化器进行5000次迭代训练。代码完整展示了张量转换、前向传播、反向传播及参数更新的全过程，帮助开发者理解机器学习基础流程。

前言

飞桨（PaddlePaddle）是一款集深度学习核心框架、丰富工具组件及服务平台于一体的开源深度学习平台，具备技术先进与功能完备的特点。

1. 任务描述

在乘坐出租车时，系统会设定10元的起步价，无论行驶距离如何，上车即需支付该基础费用。
车辆每行驶1公里，需额外支付2元的行驶费用，即费率为2元/公里。
乘客下车后，计价器需要计算并显示乘客应付的总乘车费用。

从数学模型角度分析，该问题呈现明显的线性关系，公式为 Y=2x+10。其中，Y代表最终需支付的总费用，x代表行驶的公里数。

如果我们尝试利用机器学习方法来训练模型，是否也能解决这一问题？即让机器自动推算出Y与x之间的关联。具体场景为：已知乘客的乘坐公里数和实际支付费用，但未知每公里的行驶费和起步价，通过训练让模型学习出这些参数。

2. 代码演练

首先，依据数学模型建立关系式，定义计价收费函数。该函数用于生成机器学习所需的数据集。函数定义完成后，传入6组数据（x），该函数将计算出对应的Y值，作为机器学习训练中的真实标签值。

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，开始搭建线性回归模型。

2.1 数组转张量

将输入的x数据与输出的y结果数组转换为PaddlePaddle张量格式：

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)

以上即为基于Python PaddlePaddle求解线性模型的完整内容，更多关于Python线性模型的参考资料，请关注本站其他相关文章。