第五十二回戴宗二取公孙胜李逵独劈罗真人-飞桨AI框架安装和使用示例-CSDN博客

本文链接：https://blog.csdn.net/skywalk8163/article/details/136547826

文章介绍了飞桨PaddlePaddleAI框架的安装方法，包括pip安装和编译安装，并给出了使用Lenet模型进行Mnist数据集训练的简单示例，展示了飞桨在多卡训练上的便利性。

摘要由CSDN通过智能技术生成

吴用说只有公孙胜可以破法术，于是宋江请戴宗和李逵去蓟州。两人听说公孙胜的师傅罗真人在九宫县二仙山讲经，于是到了二仙山，并在山下找到了公孙胜的家。

两人请公孙胜去帮助打高唐州，公孙胜说听师傅的。罗真人说出家人不管闲事，不同意公孙胜下山。晚上李逵偷偷摸进罗真人的屋里，一斧头砍在他的脑门上。出了门，又砍了一个道童。

第二天，李逵等三人上山，又看到了罗真人。罗真人质问李逵，为什么用斧子劈我，还杀了我一个道童？罗真人用法力把李逵吹到蓟州府厅堂，被当作妖怪当场拿下。李逵被泼了一身屎尿，重重打了一顿，然后关入大牢。李逵在牢里说自己是罗真人的亲随直日神将，节级、牢子等倒是好吃好喝的供着他。

李逵说自己是罗真人的亲随直日神将，头脑很灵活啊。当前人工智能也越来越聪明，开始进入了爆发期，学AI，从现在开始。

飞桨AI框架安装和使用示例

飞桨PaddlePaddle是非常流行的国产AI框架，让我们一起来动手实践吧！

安装

飞桨安装参考页面：https://www.paddlepaddle.org.cn/install/quick?docurl=/documentation/docs/zh/install/pip/linux-pip.html

在这个安装页面，选好操作系统、安装方式和计算平台，系统会给出一条指令，类似：
python -m pip install paddlepaddle-gpu==2.6.0.post120 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html
执行这条安装指令即可。

编译安装

如果安装页面里没有找到合适的安装文件，可以采用编译安装的方法，编译的方法参考官网，基本步骤是：

下载源码
git clone https://github.com/PaddlePaddle/Paddle.git
然后编译安装：
cd Paddle

# 如果要使用较稳定的版本编译，可切换到 release2.3 分支下：

# git checkout release/2.3

# 进行 Wheel 包的编译，请创建并进入一个叫 build 的目录下

mkdir build && cd build

# 链接过程中打开文件数较多，可能超过系统默认限制导致编译出错，设置进程允许打开的最大文件数：

ulimit -n 4096

# 执行 cmake，完成编译
cmake .. -DPY_VERSION=3.7 \
         -DCMAKE_BUILD_TYPE=Release \
         -DWITH_GPU=OFF \
         -DWITH_XPU=ON \
         -DON_INFER=ON \
         -DWITH_PYTHON=ON \
         -DWITH_AVX=ON \
         -DWITH_MKL=ON \
         -DWITH_MKLDNN=ON \
         -DWITH_XPU_BKCL=ON \
         -DWITH_DISTRIBUTE=ON \
         -DWITH_NCCL=OFF

make -j$(nproc)
编译成功后，使用pip安装，如：
pip install paddlepaddle-0.0.0-cp38-cp38-linux_riscv64.whl
然后输入python3进入交互界面，执行验证命令：
import paddle
paddle.utils.run_check()
如果输出：PaddlePaddle is installed successfully!

就证明安装好了飞桨。

飞桨简单示例

飞桨的特点是单机多卡和多机多卡训练非常方便，比如单机多卡只需要多一句话`dist.spawn(train)`即可。下面是一个使用lenet模型，Mnist数据集进行训练的例子，这个模型和数据集都比较小，更适合做演示：
import paddle
from paddle.vision.transforms import ToTensor
import paddle.distributed as dist

train_dataset = paddle.vision.datasets.MNIST(mode='train', transform=ToTensor())
test_dataset = paddle.vision.datasets.MNIST(mode='test', transform=ToTensor())
lenet = paddle.vision.models.LeNet()

# Mnist继承paddle.nn.Layer属于Net，model包含了训练功能
model = paddle.Model(lenet)

# 设置训练模型所需的optimizer, loss, metric
model.prepare(
    paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()),
    paddle.nn.CrossEntropyLoss(),
    paddle.metric.Accuracy(topk=(1, 2))
    )
def train():
    # 启动训练
    model.fit(train_dataset, epochs=1, batch_size=64, log_freq=400)

    # 启动评估
#     model.evaluate(test_dataset, log_freq=20, batch_size=64)
    
if __name__ == '__main__':
    # spawn自适应支持单机单卡和单机多卡训练
    dist.spawn(train)
可以切换数据集和模型，比如数据集换成Cifar10 ，模型可以用ResNet18。

改成这样：
train_dataset = paddle.vision.datasets.Cifar10(mode='train', transform=ToTensor())
test_dataset = paddle.vision.datasets.Cifar10(mode='test', transform=ToTensor())
# lenet = paddle.vision.models.LeNet()
resnet = paddle.vision.models.resnet18()
# model = paddle.Model(lenet)
model = paddle.Model(resnet)