＜PaddlePaddle学习使用P1＞——《PaddlePaddle教程》

已于 2024-05-14 08:44:13 修改
阅读量2.3k 收藏 32
点赞数 27
分类专栏： 《人工智能AI》 # 《深度学习》 文章标签： paddlepaddle 学习 人工智能 线性回归 经验分享
于 2024-03-31 14:06:50 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_57859086/article/details/137181001
版权

一、PaddlePaddle概述

文章目录

1.什么是PaddlePaddle

在这里插入图片描述
PaddlePaddle官网地址链接：https://www.paddlepaddle.org.cn/
为什么学习PaddlePaddle：
在这里插入图片描述

2.PaddlePaddle特点

PaddlePaddle优点（目前）：
在这里插入图片描述
PaddlePaddle缺点（目前）：
在这里插入图片描述
PaddlePaddle平台获奖情况（目前）：
在这里插入图片描述
PaddlePaddle行业应用（目前）：
在这里插入图片描述
PaddlePaddle学习资源（目前）：
在这里插入图片描述
AIStudio官网地址链接：https://aistudio.baidu.com

3.PaddlePaddle体系结构

总体架构：
在这里插入图片描述
编译时与执行时：
在这里插入图片描述
三个重要术语：
在这里插入图片描述

4.PaddlePaddle安装与卸载

以Pycharm安装为例：
官方安装教程地址链接

注：

  • 由于百度提供了AIStudio平台，这里在Pycharm上安装只是为了在Pycharm配置PaddlePaddle环境，通过Pycharm的代码编辑方便快捷优点，实际运行还是在AIStudio平台。
  • 目前pycharm对paddle的兼容性不是很好，因此建议在pycharm编写代码，而运行则将代码拷贝至AIStudio集成平台。

5.在AIStudio集成平台运行PaddlePaddle

（1）打开AIStudio平台官网，注册账号

（2）创建项目

项目创建举例：在这里插入图片描述在这里插入图片描述

（3）编辑运行

  • 由于众所周知的原因：作为学生的我们，经济比较紧张，作者选用免费版。（因人而异，量力而行）
  • 作者在此感谢百度提供的开源学习资源，同时也感谢其他公司、机构、组织、个人等提供的开源学习资源。在这里插入图片描述
    在这里插入图片描述
    基于jupyter notebook的编辑环境页面：在这里插入图片描述
    基于Linux的终端环境：在这里插入图片描述
    AI Studio 经典版环境使用说明地址链接：https://ai.baidu.com/ai-doc/AISTUDIO/sk3e2z8sb
    示例1：使用paddle进行加法操作
    这是paddle 1.x版本支持的调用编写方式：在这里插入图片描述
    在这里插入图片描述
#paddle 1.x版本的调用编写方式
import paddle.fluid as fluid

# 创建两个常量
x = fluid.layers.fill_constant(shape=[1], dtype="int64", value=5)
y = fluid.layers.fill_constant(shape=[1], dtype="int64", value=1)
z = x + y  # 执行两个常量的相加

# 创建执行器
place = fluid.CPUPlace()  # 指定程序在CPU上执行
exe = fluid.Executor(place)  # 创建执行器
result = exe.run(fluid.default_main_program(),
                 fetch_list=[z])  # 指定要返回的结果
print(result)

注：

  • 在paddle新的版本中运行以上代码可能出现报错的情况，这是因为上面的代码是在paddle1.x版本中支持的调用编写。而新版本的paddle可能对之前的版本进行升级，不再支持老版本的部分调用编写。

新版本实现加法：
在这里插入图片描述

import paddle.fluid as fluid
import paddle
try:
    # 兼容PaddlePaddle2.0
    paddle.enable_static()
except:
    pass

# 定义两个张量
x1 = fluid.layers.fill_constant(shape=[2, 2], value=1, dtype='int64')
x2 = fluid.layers.fill_constant(shape=[2, 2], value=1, dtype='int64')

# 将两个张量求和
y1 = fluid.layers.sum(x=[x1, x2])

# 创建一个使用CPU的执行器
place = fluid.CPUPlace()
exe = fluid.executor.Executor(place)
# 进行参数初始化
exe.run(fluid.default_startup_program())

# 进行运算，并把y的结果输出
result = exe.run(program=fluid.default_main_program(),
                 fetch_list=[y1])
print(result)

二、PaddlePaddle的基本概念与操作

1.PaddlePaddle的基本概念

张量：
在这里插入图片描述
在这里插入图片描述
Layer：
在这里插入图片描述
Variable：
在这里插入图片描述
Program：
在这里插入图片描述
Executor:
在这里插入图片描述
Place:
在这里插入图片描述
Optimizer:
在这里插入图片描述
示例2：执行两个张量计算

在这里插入图片描述

import paddle.fluid as fluid
import numpy as np
import paddle
try:
    # 兼容PaddlePaddle2.0
    paddle.enable_static()
except:
    pass

# 定义两个张量
a = fluid.layers.create_tensor(dtype='int64', name='a')
b = fluid.layers.create_tensor(dtype='int64', name='b')

# 将两个张量求和
y = fluid.layers.sum(x=[a, b])

# 创建一个使用CPU的执行器
place = fluid.CPUPlace()
exe = fluid.executor.Executor(place)
# 进行参数初始化
exe.run(fluid.default_startup_program())

# 定义两个要计算的变量
a1 = np.array([3, 2]).astype('int64')
b1 = np.array([1, 1]).astype('int64')

# 进行运算，并把y的结果输出
out_a, out_b, result = exe.run(program=fluid.default_main_program(),
                               feed={a.name: a1, b.name: b1},
                               fetch_list=[a, b, y])
print(out_a," + ", out_b," = ", result)

2.程序执行步骤

在这里插入图片描述

三、PaddlePaddle综合案例——实现简单线性回归

1.任务介绍

在这里插入图片描述
在这里插入图片描述

2.任务实现

示例3：简单线性回归

#linear_regression.py的代码
import paddle.fluid as fluid
import numpy as np
import paddle
try:
    # 兼容PaddlePaddle2.0
    paddle.enable_static()
except:
    pass

# 定义一个简单的线性网络
x = fluid.data(name='x', shape=[None, 1], dtype='float32')
hidden = fluid.layers.fc(input=x, size=100, act='relu')
hidden = fluid.layers.fc(input=hidden, size=100, act='relu')
net = fluid.layers.fc(input=hidden, size=1, act=None)

# 获取预测程序
infer_program = fluid.default_main_program().clone(for_test=True)

# 定义损失函数
y = fluid.data(name='y', shape=[None, 1], dtype='float32')
cost = fluid.layers.square_error_cost(input=net, label=y)
avg_cost = fluid.layers.mean(cost)

# 定义优化方法
optimizer = fluid.optimizer.SGDOptimizer(learning_rate=0.01)
opts = optimizer.minimize(avg_cost)

# 创建一个使用CPU的执行器
place = fluid.CPUPlace()
exe = fluid.Executor(place)
# 进行参数初始化
exe.run(fluid.default_startup_program())

# 定义训练和测试数据
x_data = np.array([[1.0], [2.0], [3.0], [4.0], [5.0]]).astype('float32')
y_data = np.array([[3.0], [5.0], [7.0], [9.0], [11.0]]).astype('float32')

# 开始训练100个pass
for pass_id in range(100):
    train_cost = exe.run(program=fluid.default_main_program(),
                         feed={x.name: x_data, y.name: y_data},
                         fetch_list=[avg_cost])
    print("Pass:%d, Cost:%0.5f" % (pass_id, train_cost[0]))


test_data = np.array([[6.0]]).astype('float32')
# 开始预测
result = exe.run(program=infer_program,
                 feed={x.name: test_data},
                 fetch_list=[net])
print("当x为6.0时，y为：%0.5f" % result[0][0][0])

四、PaddlePaddle数据准备

1.什么是数据准备

在这里插入图片描述

2.为什么需要数据准备

在这里插入图片描述
示例4：reader数据准备

在这里插入图片描述
在这里插入图片描述

# 04_reader_demo.py
import paddle
# 原始读取器
def reader_creator(file_path):
    def reader():
        with open(file_path, "r") as f:  # 打开文件
            lines = f.readlines()  # 读取所有行
            for line in lines:
                yield line.replace("\n", "")  # 利用生成器关键字创建一个数据并返回

    return reader

reader = reader_creator("test.txt")  # 原始顺序读取器
shuffle_reader = paddle.reader.shuffle(reader, 10)  # 随机读取器
batch_reader = paddle.batch(shuffle_reader, 3)  # 批量随机读取器

# for data in reader():  # 迭代
# for data in shuffle_reader(): # 对随机读取器进行迭代
for data in batch_reader():  # 对批量随机读取器进行迭代
    print(data, end="")

3.预测模型保存和加载

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4.fluid API结构图

在这里插入图片描述

五、PaddlePaddle综合案例——实现波士顿房价预测

1.数据集及任务

在这里插入图片描述

2.任务思路

在这里插入图片描述

3.执行结果

在这里插入图片描述
示例5：波士顿房价预测

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

#uci_housing_linear.py的代码
import paddle.fluid as fluid
import paddle
import paddle.dataset.uci_housing as uci_housing
import numpy
try:
    # 兼容PaddlePaddle2.0
    paddle.enable_static()
except:
    pass

# 定义一个简单的线性网络
x = fluid.data(name='x', shape=[None, 13], dtype='float32')
hidden = fluid.layers.fc(input=x, size=100, act='relu')
hidden = fluid.layers.fc(input=hidden, size=100, act='relu')
net = fluid.layers.fc(input=hidden, size=1, act=None)

# 获取预测程序
infer_program = fluid.default_main_program().clone(for_test=True)

# 定义损失函数
y = fluid.data(name='y', shape=[None, 1], dtype='float32')
cost = fluid.layers.square_error_cost(input=net, label=y)
avg_cost = fluid.layers.mean(cost)

# 定义优化方法
optimizer = fluid.optimizer.SGDOptimizer(learning_rate=0.01)
opts = optimizer.minimize(avg_cost)

# 创建一个使用CPU的执行器
place = fluid.CPUPlace()
exe = fluid.Executor(place)
# 进行参数初始化
exe.run(fluid.default_startup_program())

# 从paddle接口中获取房价数据集，使用房价数据进行训练和测试
train_reader = paddle.batch(reader=uci_housing.train(), batch_size=128)
test_reader = paddle.batch(reader=uci_housing.test(), batch_size=128)

# 定义输入数据维度
feeder = fluid.DataFeeder(place=place, feed_list=[x, y])

# 开始训练和测试
for pass_id in range(300):
    # 开始训练并输出最后一个batch的损失值
    train_cost = 0
    for batch_id, data in enumerate(train_reader()):
        train_cost = exe.run(program=fluid.default_main_program(),
                             feed=feeder.feed(data),
                             fetch_list=[avg_cost])
    print("Pass:%d, Cost:%0.5f" % (pass_id, train_cost[0][0]))

# 开始测试
for data in test_reader():
    infer_data = numpy.array([data[0] for data in data]).astype("float32")
    infer_label = numpy.array([data[1] for data in data]).astype("float32")
    infer_result = exe.run(program=infer_program,
                           feed={x.name: infer_data},
                           fetch_list=[net])
    # 把每个预测结果都输出
    for i in range(len(infer_label)):
        print('预测结果：%f, 真实结果：%f' % (infer_result[0][i][0], infer_label[i][0]))

后记：
●本博客基于B站开源学习资源，是作者学习的笔记记录，仅用于学习交流，不做任何商业用途！

新晓·故知
关注
专栏目录
PaddlePaddle2.0基础操作
qq_40326280的博客
04-19 1502
PaddlePaddle2.0基础操作 目录PaddlePaddle2.0基础操作项目描述数据集介绍项目要求数据准备环境配置/安装PaddlePaddle 介绍Paddle中张量以及张量和numpy数组之间的转换`paddle.reshape()``广播语义`计算图CUDA 语义Paddle 是一个会自动计算梯度的框架使用梯度线性回归注意数据维度正确性检查使用自动计算导数的GD来训练线性回归模型paddle.nn.Module线性模型激活函数顺序容器损失函数paddle.optimizer用GD自动计算导数
PaddlePaddle飞桨论文复现营——3D Residual Networks for Action Recognition学习笔记
Kevin Pang的博客
08-06 1272
PaddlePaddle飞桨论文复现营——3D Residual Networks for Action Recognition学习笔记 1 背景知识 1.1 C3D C3D是一种3D卷积提取视频特征的方法，从水平(X)、垂直(Y)和时序(T)三个方向三个方面同时提取视频的时空特征，其提取到的特征比常规的2D卷积更自然[1]。缺点就是，因为多了一维“时序(T)”，卷积后会引起参数剧增，对计算机GPU算力要求较大。 P.S: C3D源代码和预训练模型可参考：http://vlg.cs.dartmouth.e
飞桨（PaddlePaddle）快速上手教程
weixin_46227276的博客
03-03 1677
使用飞桨内置的MNIST数据集进行训练和测试。通过以上步骤，您已经完成了一个深度学习任务，从数据加载到模型训练、评估和推理。飞桨提供了丰富的API来支持更复杂的任务和模型开发。您可以访问飞桨官网获取更多教程和案例，深入探索深度学习的世界。
PaddlePaddle 项目安装与使用指南
gitblog_01045的博客
08-16 997
PaddlePaddle 项目安装与使用指南 PaddlePaddle_code用PaddlePaddle和Tensorflow实现常用的深度学习算法项目地址:https://gitcode.com/gh_mirrors/pa/PaddlePaddle_code 目录结构及介绍 在获取到 PaddlePaddle 的源码之后, 你可以看到以下的主要目录结构: . ├── docs ...
paddlepaddle操作(一)
ǫɪ ԃα√‘的博客
01-29 2602
三个在重要术语： Fluid:定义程序执行流程 Program:对用户来说一个完整的程序 Executor:执行器，执行程序 张量： 张量(Tensor):多维数组或向量，同其它主流深度学习框架一样，PaddlePaddle使用张量来承载数据 Layer: 表示一个独立的计算逻辑，通常包含一个或多个operator(操作)，如layers.relu表示ReLU计算;layers.pool2d表示pool操作。Layer的输入和输出为Variable。 Variable: 表示一个变量，可以是一个张量..
（一）PaddlePaddle（深度学习框架）的搭建、使用
热门推荐
K_AAbb的博客
10-17 1万+
PaddlePaddle（深度学习框架）的搭建、使用
PaddlePaddle快速入门
ajream的博客
04-22 524
PaddlePaddle基础命令 计算常量的加法：1+1 首先导入PaddlePaddle库 import paddle paddle.__version__ '2.0.0' 定义两个张量的常量x1和x2，并指定它们的形状是[2, 2]，并赋值为1铺满整个张量，类型为int64. # 定义两个张量 x1 = paddle.ones([2,2], dtype='int64') x2 = paddle.ones([2,2], dtype='int64') 接着定义一个操作，该计算是将上面两个张量进行加法计
深度学习框架(PaddlePaddle)使用教程
RuizhiHe
11-22 7475
机巧围棋使用飞桨(PaddlePaddle) 框架构建并训练阿尔法狗落子策略中的深度神经网络——策略网络和价值网络。 本文讲解飞桨框架的基本使用方法：第1部分介绍神经网络的构建；第2部分讲解神经网络训练过程；第3部分介绍模型权重的保存和加载。...
飞桨PaddlePaddle-百度架构师手把手带你零基础实践深度学习——21日学习总结
Fiona_Luna的博客
08-26 1481
飞桨PaddlePaddle-百度架构师手把手带你零基础实践深度学习——21日学习打卡 写在前面的话 纯新手小白，第一次接触深度学习方面的应用。感谢飞桨提供的这次学习机会。之前有学习到深度学习的理论方面的知识，但是到实践，总觉得无从下手，一筹莫展。刚好被朋友推荐一起学习该门课程，感觉受益匪浅。一个好的入门老师可以带来无限的可能。感谢平台提供的机会，感谢几位老师的教导和经验分享。 PS：本人自己更喜欢纸质的笔记，所以可能会上传大量图片。QAQ 第一章 Python基础 python作为一种“神奇的”编程语言，
百度飞桨PaddlePaddle-21天零基础实践深度学习-目标检测
weixin_44708890的博客
08-30 1002
百度飞桨PaddlePaddle-21天零基础实践深度学习-目标检测YOLOv3概念边界框锚框交并比（衡量指标）数据读取和预处理模型YOLOv3YOLO-V3基本思想卷积神经网络提取特征根据输出特征图计算预测框位置和类别建立输出特征图与预测框之间的关联损失函数多尺度检测开启端到端训练预测模型效果及可视化优化防止梯度消失和梯度爆炸防止过拟合参数调优后处理 概念 边界框 <1> xyxyxyxyxyxy，即(x1,y1,x2,y2)(x_1, y_1, x_2, y_2)(x1​,y1​,x2​,y
【深度学习】【PaddlePaddle】DAY 3 - 构建神经网络模型（二）
Venistar的博客
08-23 1547
深度学习课程 DAY 3 - 构建神经网络模型（二）Chapter 2 构建神经网络模型2.2 代码实现-构建神经网络模型（4）训练过程1）梯度下降法2）计算梯度3）使用Numpy进行梯度计算4）确定损失函数更小的点5）代码封装Train函数6）训练扩展到全部参数（5）模型保存 Chapter 2 构建神经网络模型 2.2 代码实现-构建神经网络模型 （4）训练过程 上述计算过程描述了如何构建神经网络，通过神经网络完成预测值和损失函数的计算。接下来介绍如何求解参数w和b的数值，这个过程也称为模型训练过程。训
深度学习基础与PaddlePaddle入门
09-18
适用于神经网络基础学习，后续资源会接着传到上面，我觉得这本书能更清楚介绍神经网络，让学习神经网络变成一项娱乐项目。
图书：《 PaddlePaddle深度学习101》（《飞桨》深度学习框架入门教程）
02-27
使用PaddlePaddle进行深度学习 运行书 您正在阅读的这本书是交互式的-每章都可以作为Jupyter Notebook运行。 我们将这本书，Jupyter，PaddlePaddle和所有依赖项打包到Docker映像中。 因此，除了Docker外，您不需要安装其他任何东西。 如果您使用的是Windows，请按照。 如果您使用的是Mac，请按照。 有关各种Linux发行版，请参阅 。 如果您使用的是Windows或Mac，则可能要给Docker。 只需输入 docker run -d -p 8888:8888 paddlepaddle/book 该命令将从DockerHub.com下载预构建的Docker映像并在容器中运行它。 请将您的Web浏览器定向到以阅读该书。 如果您生活在访问DockerHub.com的地方缓慢，则可以尝试使用我们的镜像服务器hub.baidubce.co
LearnPaddle:PaddlePaddle V2版本系列教程，博客专栏：
05-06
笔者博客地址 博客地址: 每篇文章地址 第十四章 把PaddlePaddle迁移到Android设备上 补充 该项目因为使用了大量的数据集，导致整项目非常大，clone的时候要有点耐心。 来都来了，觉得不错的话，给个star吧。
简洁明了的tensorflow2.0教程——CNN卷积网络的实现（cifar10数据集）
JohnLeeK的博客
06-06 2591
CNN 通过本文你能了解到基本的卷积神经网络概念还有理论基础，通过使用keras编写一个简单的CNN模型我们可以实现对cifar10数据集的分类，掌握tensorflow搭建卷积神经网络的技巧，废话不多说，进入正文。相关代码还有数据集在我的github，链接https://github.com/JohnLeek/Tensorflow-study:,需要的自取，day4开头的部分为本节博客源码，觉得不错的可以给个star。 一、卷积神经网络结构和相关概念（参考维基百科） 因为卷积神经我网络概念很多，因为
paddlepaddle（个人学习记录）
m0_58938307的博客
04-28 973
在深度学习初始阶段，每个深度学习研究者都需要写大量的重复代码。为了提高工作效率，这些研究者就将这些代码写成了一个框架放到网上让所有研究者一起使用。接着，网上就出现了不同的框架。随着时间的推移，最为好用的几个框架被大量的人使用从而流行了起来。[1]全世界最为流行的深度学习框架有PaddlePaddle、Tensorflow、Caffe、Theano、MXNet、Torch和PyTorch。 深度学习框架的出现降低了入门的门槛，你不需要从复杂的神经网络开始编代码，你可以根据需要选择已有的模型，通过训练得...
动手学PaddlePaddle（4）：MNIST（手写数字识别）
10点43的博客
08-11 4580
本次练习将使用 PaddlePaddle 来实现三种不同的分类器，用于识别手写数字。三种分类器所实现的模型分别为 Softmax 回归、多层感知器、卷积神经网络。 您将学会 实现一个基于Softmax回归的分类器，用于识别手写数字 实现一个基于多层感知器的分类器，用于识别手写数字 实现一个基于卷积神经网络的分类器，用于识别手写数字 卷积神经网络的基本组成和搭...
PaddlePaddle入门实践——手写数字识别
面包猎人
02-04 4288
任务要求   能够识别手写数字0~9的图像，具体来说，将手写数字的灰度图像（28像素 x 28像素）划分到10个类别中（0 ~ 9）。要求使用PaddlePaddle框架实现模型。 数据集及环境 数据集来源： ML领域经典数据集MNIST，包含60,000 张训练图像和 10,000 张测试图像 数据说明：数据分为图片和标签，图片是28*28的像素矩阵，标签为0 ~ 9共10个数字 运行环境：PaddlePaddle2.0 + cuda11.1 + pycharm   Tips：PaddlePadd
C++ vector<vector<double>> p1, 剔除p1中大小为0 的元素
最新发布
10-24
在C++中，如果你想剔除`vector<vector<double>>`类型的`p1`中所有大小为0的子向量（即空的行或列），可以遍历这个二维向量，并移除那些元素个数为0的子向量。这里是一个简单的示例： ```cpp #include <iostream> #...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值