也许我的问题，代表了大多数初学者。欢迎解决。

[tanhaoyu]

coding=UTF-8

import paddle.v2 as paddle
import pandas as pd
import numpy as np
from paddle.trainer_config_helpers.activations import SigmoidActivation

'''
体重预测项目:
描述:根据某个人100多天的两个特征值,摄入量(小数),消耗量(小数),所对应的目标值体重变化(小数),来预测用户未来某一天的体重.
初步思路:
1.数据集操作(已完成)
1.1 通过pandas读取数据集
1.2　均值来填充特征值和目标值(摄入量in,消耗量out,体重weight)
1.3 去掉除上述外其他无关特征(id,age,gender)
2.创建paddlepaddle框架中的reader(不确定是否正确)
　 2.1 已完成整体数据集train_reader的逻辑书写，问题:是否要区分train_reader和test_reader处理?还是直接整体数据集,再通过buf_size区分训练集和测试集的数量?
2.2 batch size 为 1
3.创建网络结构(一层输入层，一层fc，一层lstm层,一层输出层)
3.1 输入层　type=paddle.data_type.pydp2.dense_vector(4)　参数为多少?是特征值还是神经元个数?输入层有 1 个input，隐藏层有 4 个神经元
3.2 fc层 size = 4

        3.3 lstm层搭建,激活函数用 sigmoid，
        3.4 输出层　输出层就是预测一个值
    4.保存网络结构(照搬)
    5.构造SGD  trainer(构造使用随机梯度下降的trainer)
    6.构建feeding(看了官方文档不是很理解)
        6.1官方文档描述如下
            feeding用来指定train_reader和test_reader返回的数据与模型配置中data_layer的对应关系。这里表示reader返回的第0列数据对应word层，第1列数据对应label层
    7.进行训练,轮数100(已完成)
    8.预测infer

'''

#paddlepaddle固定初始化,不适用GPU,线程数为1
paddle.init(use_gpu=False, trainer_count=1)

#1.数据集操作
df1 = pd.read_csv('2_34.csv',parse_dates=["data"],index_col=3,)
df1_in_mean = df1["in"].mean()
df1["in"].fillna(df1_in_mean,inplace=True)
df1_out_mean = df1["out"].mean()
df1["out"].fillna(df1_out_mean,inplace=True)
#　求体重均值并填充(不要求精度)
df1_weight_mean = df1["weight"].mean()
df1["weight"].fillna(df1_weight_mean,inplace=True)
df1.drop('id', axis=1, inplace=True)#axis=1,删除列；inplace=True,直接在原DataFrame上执行删除
df1.drop('age', axis=1, inplace=True)#axis=1,删除列；inplace=True,直接在原DataFrame上执行删除
df1.drop('gender', axis=1, inplace=True)#axis=1,删除列；inplace=True,直接在原DataFrame上执行删除

#定义reader
def train_reader():
train_list_x = []
train_list_y = []
train_len = len(df1["in"])
for i in range(train_len):
list1=[]
list1 = [df1["in"][i],df1["out"][i]]
list2 = [df1["weight"][i]]
train_list_x.append(list1)
train_list_y.append(list2)
train_x = np.array(train_list_x)
train_y = np.array(train_list_y)
# train_x = np.array([[1, 1], [1, 2], [3, 4], [5, 2]])
# train_y = np.array([[-2], [-3], [-7], [-7]])
def reader():
for i in xrange(train_y.shape[0]):
yield train_x[i], train_y[i]
return reader
#2.创建reader(不确定正确与否)
reader_w = train_reader()
shuffle_reader = paddle.reader.shuffle(reader_w,buf_size=128)
batch_reader = paddle.batch(shuffle_reader,batch_size=1)

#3.搭建网络结构
#输入层　　paddle.data_type.pydp2.dense_vector(4)?应该填几？４？还是几个特征值就填几？
x = paddle.layer.data(name='x',type=paddle.data_type.pydp2.dense_vector(4))
#lstm层
y_predict = paddle.layer.v1_layers.lstmemory(input=x,act=SigmoidActivation())
#输出层
y = paddle.layer.data(name='y', type=paddle.data_type.pydp2.dense_vector(1))
#损失函数
cost = paddle.layer.v1_layers.square_error_cost(input=y_predict, label=y)
#mse_cost 是mse均方差y_predict 是预测值，label = y_label 是真实值

#4.保存网络结构
inference_topology = paddle.topology.Topology(layers=y_predict)
with open("weight_infer.pkl", 'wb') as f:
inference_topology.serialize_for_inference(f)

#5.构造SGD trainer(构造使用随机梯度下降的trainer)
parameters = paddle.parameters.create(cost)
optimizer =paddle.optimizer.Adam() #AdaGrad函数代替momentum进行优化,学习率可以通过参数更改
trainer = paddle.trainer.SGD(cost=cost,
parameters=parameters,
update_equation=optimizer)

#6.feeding构建
feeding={'x': 0, 'y': 1}

#7.进行训练
trainer.train(
reader = batch_reader,
feeding=feeding,
#event_handler=event_handler_plot,
num_passes=100)

没有结果：
I0306 11:24:33.605950 9099 Util.cpp:166] commandline: --use_gpu=False --trainer_count=1
I0306 11:24:33.628300 9099 GradientMachine.cpp:94] Initing parameters..
I0306 11:24:33.628324 9099 GradientMachine.cpp:101] Init parameters done.
F0306 11:24:33.699769 9099 LstmLayer.cpp:155] Check failed: input.sequenceStartPositions
*** Check failure stack trace: ***
@ 0x7f03535639cd google::LogMessage::Fail()
@ 0x7f035356747c google::LogMessage::SendToLog()
@ 0x7f03535634f3 google::LogMessage::Flush()
@ 0x7f035356898e google::LogMessageFatal::~LogMessageFatal()
@ 0x7f0353282452 paddle::LstmLayer::forward()
@ 0x7f0353318efd paddle::NeuralNetwork::forward()
@ 0x7f0353319c13 paddle::GradientMachine::forwardBackward()
@ 0x7f035353fae4 GradientMachine::forwardBackward()
@ 0x7f03531bda69 _wrap_GradientMachine_forwardBackward
@ 0x4cb755 PyEval_EvalFrameEx
@ 0x4c2705 PyEval_EvalCodeEx
@ 0x4ca7df PyEval_EvalFrameEx
@ 0x4c2705 PyEval_EvalCodeEx
@ 0x4ca088 PyEval_EvalFrameEx
@ 0x4c2705 PyEval_EvalCodeEx
@ 0x4ca088 PyEval_EvalFrameEx
@ 0x4c2705 PyEval_EvalCodeEx
@ 0x4c24a9 PyEval_EvalCode
@ 0x4f19ef (unknown)
@ 0x4ec372 PyRun_FileExFlags
@ 0x4eaaf1 PyRun_SimpleFileExFlags
@ 0x49e208 Py_Main
@ 0x7f03779ad830 __libc_start_main
@ 0x49da59 _start
@ (nil) (unknown)

Process finished with exit code 134 (interrupted by signal 6: SIGABRT)

[tanhaoyu]

我需要一些指导，没有结果什么原因，谢谢了。

[guoshengCS]

这里的报错应该是序列输入（序列的每个时间步对应一天）没有正确处理，

• 输入层x = paddle.layer.data中的type应是paddle.data_type.dense_vector_sequence(feature_dim)；y = paddle.layer.data中的type应是paddle.data_type.dense_vector_sequence(1)
• train_reader中yield后每条样本特征和标签相应的需要的格式为[[day1_feature0, day1_feature1],[day2_feature0, day2_feature1]]...和[[day1_label],[day2_label]]

[tanhaoyu]

@guoshengCS 十分感谢！按照您说的我的程序可以正常跑通了！解决了我困扰好多天的问题！有问题我会继续向您提问的！再次表示感谢！

[tanhaoyu]

@guoshengCS 按照改动运行后，进行预测报错:
i = [[[2000,2010]]]
probs = paddle.infer(
output_layer = y_predict,parameters = parameters ,input = i)

ValueError: The input should be a vector, please check your input data.

[guoshengCS]

预测的时候输入需要为list，list中的每个元素对应一个样本的特征其格式和train_reader中一致，请确认下。

[tanhaoyu]

修改后的代码已经可以跑通，如上所示，可是还有如下问题：
1.训练结果的cost出奇的大
2.我更改infer预测的特征值i，换任何数字都对预测结果probs无影响，预测结果probs只与训练轮数有影响，而且并不是我目标值的体重
请问，这两个问题该如何解决？眼看就要成功了，希望能帮助解答谢谢！

[pkuyym]

The first question has been solved and the following one is same with #8822, so close it.

[pkuyym]

The first question has been solved and the following one is same with #8822, so close it.