PaddlePaddle、Paddle Lite、Paddle Inference、FleetX

最新推荐文章于 2024-03-20 09:49:24 发布

花开花落的个人博客

最新推荐文章于 2024-03-20 09:49:24 发布

阅读量3.7k

点赞数

分类专栏： Python 文章标签： paddle 深度学习人工智能

本文链接：https://blog.csdn.net/g313105910/article/details/122533889

版权

Python 专栏收录该内容

16 篇文章 1 订阅

订阅专栏

一、飞桨开源框架(PaddlePaddle)是一个易用、高效、灵活、可扩展的深度学习框架（本地训练学习推理）

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，已被中国企业广泛使用，深度契合企业应用需求，拥有活跃的开发者社区生态。提供丰富的官方支持模型集合，并推出全类型的高性能部署和集成方案供开发者使用。

二、Paddle Lite（跨平台轻量化本地推理）

面向端侧场景的轻量化推理引擎Paddle Lite，可以实现飞桨模型在x86/ARM平台下多种OS内的高效部署，同时支持在10种以上的GPU/NPU异构后端上进行推理加速和混合调度；通过Paddle Lite，您在不同端侧场景下的模型部署需求都可以被完美支持。

三、Paddle Inference（云端推理）

Paddle Inference 是飞桨的原生推理库，作用于服务器端和云端，提供高性能的推理能力。

由于能力直接基于飞桨的训练算子，因此Paddle Inference 可以通用支持飞桨训练出的所有模型。

Paddle Inference 功能特性丰富，性能优异，针对不同平台不同的应用场景进行了深度的适配优化，做到高吞吐、低时延，保证了飞桨模型在服务器端即训即用，快速部署。

支持服务器端X86 CPU、NVIDIA GPU芯片，兼容Linux/Mac/Windows系统。支持所有飞桨训练产出的模型，完全做到即训即用。

四、FleetX（分布式训练）

FleetX 是飞桨分布式训练扩展包，为了可以让用户更快速了解和使用飞桨分布式训练特性，提供了大量分布式训练例子，可以查阅 FleetX/examples at develop · PaddlePaddle/FleetX · GitHub，以下章节的例子都可以在这找到，用户也可以直接将仓库下载到本地直接。

五、10分钟快速上手飞桨

1、安装

如果你已经安装好飞桨那么可以跳过此步骤。飞桨提供了一个方便易用的安装引导页面，你可以通过选择自己的系统和软件版本来获取对应的安装命令，具体可以点击快速安装查看。或者查看

Windows下的Conda安装并创建python环境_シ❤゛甜虾的个人博客-CSDN博客Anaconda是一个免费开源的Python和R语言的发行版本，用于计算科学，Anaconda致力于简化包管理和部署。Anaconda的包使用软件包管理系统Conda进行管理。Conda是一个开源包管理系统和环境管理系统，可在Windows、macOS和Linux上运行。下载Anaconda，然后进行安装https://www.anaconda.com/安装Anaconda后，以管理员运行CMD，创建python3.9的环境conda create -n paddle_env python=https://blog.csdn.net/g313105910/article/details/122447198?spm=1001.2014.3001.5501 Windows下的PaddlePaddle安装_シ❤゛甜虾的个人博客-CSDN博客Windows下的Conda安装并创建python环境请查看Windows下的Conda安装并创建python环境_シ❤゛甜虾的个人博客-CSDN博客Anaconda是一个免费开源的Python和R语言的发行版本，用于计算科学，Anaconda致力于简化包管理和部署。Anaconda的包使用软件包管理系统Conda进行管理。Conda是一个开源包管理系统和环境管理系统，可在Windows、macOS和Linux上运行。下载Anaconda，然后进行安装https://www.anaconda.com/安https://blog.csdn.net/g313105910/article/details/122448982?spm=1001.2014.3001.5501

2、导入飞浆

进入python环境

activate paddle_env

导入飞浆

import paddle
print(paddle.__version__)

查看版本

3、手写数字识别任务，加载内置数据集

import paddle.vision.transforms as T
transform = T.Normalize(mean=[127.5], std=[127.5], data_format='CHW')

# 下载数据集
train_dataset = paddle.vision.datasets.MNIST(mode='train', transform=transform)
val_dataset =  paddle.vision.datasets.MNIST(mode='test', transform=transform)

4、运行

在PaddleDetection目录新建test.py加入如下代码

import paddle
print(paddle.__version__)

import paddle.vision.transforms as T
transform = T.Normalize(mean=[127.5], std=[127.5], data_format='CHW')

# 下载数据集
train_dataset = paddle.vision.datasets.MNIST(mode='train', transform=transform)
val_dataset =  paddle.vision.datasets.MNIST(mode='test', transform=transform)

mnist = paddle.nn.Sequential(
    paddle.nn.Flatten(),
    paddle.nn.Linear(784, 512),
    paddle.nn.ReLU(),
    paddle.nn.Dropout(0.2),
    paddle.nn.Linear(512, 10)
)

# 预计模型结构生成模型对象，便于进行后续的配置、训练和验证
model = paddle.Model(mnist)

# 模型训练相关配置，准备损失计算方法，优化器和精度计算方法
model.prepare(paddle.optimizer.Adam(parameters=model.parameters()),
                paddle.nn.CrossEntropyLoss(),
                paddle.metric.Accuracy())

# 开始模型训练
model.fit(train_dataset,
            epochs=5,
            batch_size=64,
            verbose=1)

print(model.evaluate(val_dataset, verbose=0))

执行python test.py运行结果如下