1、实验简介
在本次实验中我们将使用 PaddlePaddle 来搭建一个简单的线性回归模型，并利用这一模型预测你的储蓄（在某地区）可以购买多大面积的房子。并且在学习模型搭建的过程中，了解到机器学习的若干重要概念，掌握一个机器学习预测的基本流程。
2、实验目的：
掌握机器学习基本概念：假设函数、损失函数、优化算法
掌握数据归一化处理技巧
掌握如何搭建全连接神经网络，实现线性回归
3、实验环境说明
Paddle 需要时 1.0 以上版本，python2.7，jupyter 上操作
4、数据集介绍：
本次数据集使用的是 2016 年 12 月份某市某地区的房价分布。为了简化模型，假设影响房价的因素只有房屋面积，因此数据集只有两列，以 TXT 的形式储存。
5、实验步骤：
5.1导入库：
说明：
numpy：一个 python 的基本库，用于科学计算
matplotlib.pyplot：用于生成图，在验证模型准确率和展示成本变化趋势时会使用到
paddle.fluid：PaddlePaddle 其中一种深度学习框架
pandas:一种基于 NumPy 的工具，高效处理数据
5.2数据预处理：
5.2.1数据集添加标题：
说明：数据集里面是没有标注“房屋面积”和“房价”的，我们可以自己加上这两列标注。
显示结果应该为：
5.2.2数据归一化：
接下来对数据集进行归一化操作
打印的输出结果应该为：
5.2.3数据集分割：
将原始数据处理为可用数据后，为了评估模型的好坏，我们将数据分成两份：训练集和测试 集。打印的输出结果应该为：
5.3定义 reader
构造 read_data()函数，来读取训练数据集 train_set 或者测试数据集 test_set。它的具体实现是在 read_data()函数内部构造一个 reader()，使用 yield 关键字来让 reader()成为一个 Generator（生成器），注意，yield 关键字的作用和使用方法类似 return 关键字，不同之处在于 yield 关键字可以构造生成器（Generator）。
虽然我们可以直接创建一个包含所有数据的列表，但是由于内存限制，我们不可能创建一个无限大的或者巨大的列表，并且很多时候在创建了一个百万数量级别的列表之后，我们却只需要用到开头的几个或几十个数据，这样造成了极大的浪费，而生成器的工作方式是在 每次循环时计算下一个值，不断推算出后续的元素，不会创建完整的数据集列表，从而节约了内存使用。
然后就可以得到训练数据和测试数据：
5.4训练过程：
5.4.1定义运算场所
将设计完成的网络参数写入 train_program() 函数，便于训练时调用：
5.4.2创建 optimizer：
feed_order=[‘x’, ‘y’] 是数据层名称和数组索引的映射，用于定义数据的读取顺序。
params_dirname 用于定义模型保存路径。
接下来定义事件处理器 event_handler_plot(event) 用于打印训练过程，在 fulid 中有两种形式的事件处理器，分别是文字形式与图像形式。本次使用的是图像形式的处理器，当训练
开始时调用该函数，可以得到 loss 变化图像，便于使用者进行参数调整。
5.4.3定义执行器：
用户配置完模型后，参数初始化操作会被写入到 fluid.default_startup_program() 中。使用fluid.Executor() 运行 这一程序，即可在全局 fluid.global_scope() 中随机初始化参数。
5.4.4设置训练参数：
5.4.5创建训练器并开始训练：
5.5训练过程可视化：
训练开始之后，得到的 cost 函数变化图像大致应是一个收敛的结果：
5.6预测：
5.6.1设定预测程序：
类似于 trainer.train，预测器需要一个预测程序来做预测。我们可以稍加修改我们的训练程序来把预测值包含进来。
5.6.2开始预测：
预测器会从 params_dirname 中读取已经训练好的模型，来对从未遇见过的数据进行预测。
tensor_x:生成 b atch_size 个[0,1]区间的随机数，以 tensor 的格式储存
results：预测对应 tensor_x 面积的房价结果
raw_x:由于数据处理时我们做了归一化操作，为了更直观的判断预测是否准确，将数据进行反归一化，得到随机数对应
