PaddlePaddle从入门到炼丹

最新推荐文章于 2024-08-07 10:31:52 发布
最新推荐文章于 2024-08-07 10:31:52 发布
阅读量773 收藏
点赞数
分类专栏： paddle 文章标签： paddlepaddle
原文链接：https://blog.csdn.net/qq_33200967/article/details/83052060
版权
原创

《PaddlePaddle从入门到炼丹》一——新版本PaddlePaddle的安装

置顶 2018-10-29 22:58:28 阅读数 8635 更多
分类专栏： PaddlePaddle PaddlePaddle从入门到炼丹
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/qq_33200967/article/details/83052060

文章目录

前言

这一章我们介绍如何安装新版本的PaddlePaddle，这里说的新版本主要是说Fluid版本。Fluid 是设计用来让用户像Pytorch和Tensorflow Eager Execution一样执行程序。在这些系统中，不再有模型这个概念，应用也不再包含一个用于描述Operator图或者一系列层的符号描述，而是像通用程序那样描述训练或者预测的过程。也就是说PaddlePaddle从Fluid版本开始使用动态图机制，所以我们这个系列也是使用Fluid版本编写的教程。

环境

  • 系统：64位Windows 10专业版，64位Ubuntu 16.04
  • Python环境：Python 3.5
  • 内存：8G

Windows下安装

PaddlePaddle在1.2版本之后开始支持Windows，也就是说使用Windows的用户不需要再安装Docker容器，或者使用Windows的Liunx子系统，直接可以在Windows系统本身安装PaddlePaddle。下面我们就介绍如何在Windows安装PaddlePaddle，分为两个部分介绍，首先安装Python 3.5环境，然后再使用命令安装PaddlePaddle。

安装Python

1、本系列使用的是Python 3.5，官方在Windows上支持Python2.7.15，Python3.5.x，Python3.6.x，Python3.7.x。读者根据自己的实际情况安装自己喜欢的版本。官网下载页面：https://www.python.org/downloads/windows/ ，官网下载地址：https://www.python.org/ftp/python/3.5.4/python-3.5.4-amd64.exe
在这里插入图片描述

2、双击运行Python 3.5安装包开始安装，记住要选上添加环境变量，这很重要，之后使用命令都要依赖这个环境变量，要不每次都要进入到pip的目录比较麻烦。然后点击Install Now开始安装。
在这里插入图片描述

3、安装完成之后，测试安装是否成功，打开Windows PowerShell或者cmd，笔者的系统是Windows 10，可以使用Windows PowerShell，如果读者是其他系统，可以使用cmd。用命令python -V查看是否安装成功。正常安装之后可以显示安装Python的版本。
在这里插入图片描述

安装PaddlePaddle

PaddlePaddle支持Windows之后，安装起来非常简单，只需要一条命令就可以完成安装。

  • 安装CPU版本，打开Windows PowerShell，输入以下命令。可以使用==指定安装PaddlePaddle的版本，如没有指定版本，默认安装是最新版本。-i后面是镜像源地址，使用国内镜像源可以大大提高下载速度：
pip3 install paddlepaddle==1.4.1 -i https://mirrors.aliyun.com/pypi/simple/

     
     

     
     
  • 1
  • 安装GPU版本，目前支持Windows的CUDA 8.0 cuDNN v7的GPU版本
pip3 install paddlepaddle-gpu==1.4.1 -i https://mirrors.aliyun.com/pypi/simple/

     
     

     
     
  • 1
  • 测试安装是否成功，在Windows PowerShell中输入命令python，进入到Python 编辑环境，并输入以下代码，导没有保存证明安装成功：
import paddle.fluid

     
     

     
     
  • 1

在这里插入图片描述

Ubuntu下安装

下面介绍在Ubuntu系统下安装PaddlePaddle，PaddlePaddle支持64位的Ubuntu 14.04 /16.04 /18.04系统，Python支持Python2.7.15，Python3.5.x，Python3.6.x，Python3.7.x。

  • 安装Python 3.5（通常不需要执行）。通常情况下Ubuntu 16.04自带的就是Python 3.5，其他Ubuntu的版本自带的可能是其他版本，不过没有关系，PaddlePaddle基本都支持，所以不必专门安装Python3.5。
sudo apt install python3.5
sudo apt install python3.5-dev

     
     

     
     
  • 1
  • 2
  • 安装CPU版本，打开Ubuntu的终端，快捷键是Ctrl+Alt+T，输入以下命令。可以使用==指定安装PaddlePaddle的版本，如没有指定版本，默认安装是最新版本。-i后面是镜像源地址，使用国内镜像源可以大大提高下载速度：
pip3 install paddlepaddle==1.4.1 -i https://mirrors.aliyun.com/pypi/simple/

     
     

     
     
  • 1
  • 安装GPU版本，安装GPU版本之前，要先安装CUDA，可以查看笔者之前的文章《Ubuntu安装和卸载CUDA和CUDNN》，安装完成 CUDA 9 和 CUDNN 7 之后，再安装PaddlePaddle的GPU版本，安装命令如下。可以使用==指定安装PaddlePaddle的版本和CUDA、CUDNN的版本，这必须要跟读者系统本身安装的CUDA版本对应，比如以下命令就是安装支持CUDA 9.0和CUDNN 7的PaddlePaddle版本。-i后面是镜像源地址，使用国内镜像源可以大大提高下载速度：
pip3 install paddlepaddle-gpu==1.4.1.post97 -i https://mirrors.aliyun.com/pypi/simple/

     
     

     
     
  • 1
  • 测试安装是否成功，在终端中输入命令python3，进入到Python 编辑环境，并输入以下代码，正确情况下如图所示：
import paddle.fluid

     
     

     
     
  • 1

在这里插入图片描述

源码编译

这部分我们将介绍使用源码编译PaddlePaddle，可以通过这种方式安装符合读者需求的PaddlePaddle，比如笔者的电脑安装的是CUDA 10 和 CUDNN 7，而目前官方提供的没有支持CUDA 10 和 CUDNN 7的PaddlePaddle版本，所以笔者就可以通过源码编译的方式编译PaddlePaddle安装包，当然也要PaddlePaddle支持才行。

Windows下源码编译

下面我们将介绍在Windows系统下进行源码编译PaddlePaddle。目前支持使用的系统是64位的Windows 10 家庭版/专业版/企业版。

  1. 安装Visual Studio 2015 Update3。下载地址：https://visualstudio.microsoft.com/zh-hans/vs/older-downloads/ ，因为是旧版本，还有加入免费的 Dev Essentials 计划才能正常下载。
    在这里插入图片描述
    在这里插入图片描述

  2. 安装cmake 3.13，下载cmake的安装包，下载地址：https://cmake.org/download/ ，一路默认，只需要在添加环境变量的时候注意添加环境变量就可以了。如何存在环境变量问题，可以重启系统。
    在这里插入图片描述

  3. 安装Python的依赖库，只要执行以下命令。关于Windows安装Python，在“Windows下安装”部分已经介绍过，这里就不介绍了。

pip3 install numpy
pip3 install protobuf
pip3 install wheel

     
     

     
     
  • 1
  • 2
  • 3

  1. 安装 git 工具。git的下载地址：https://git-scm.com/downloads ，下载git的安装包，安装的时候一路默认就可以了。
    在这里插入图片描述

  2. 右键打开Git Bash Here，执行以下两条命令。将PaddlePaddle的源码clone在当下目录下的Paddle的文件夹中，并进入Padde目录下，操作如下图所示，之后的命令也是在这个终端操作：

git clone https://github.com/PaddlePaddle/Paddle.git
cd Paddle

     
     

     
     
  • 1
  • 2

在这里插入图片描述
在这里插入图片描述

  1. 切换到较稳定release分支下进行编译，入笔者选择1.2版本的代码：
git checkout release/1.2

     
     

     
     
  • 1
  1. 创建名为build的目录并进入：
mkdir build
cd build

     
     

     
     
  • 1
  • 2

  1. 执行编译

    • 编译CPU版本命令如下：
    cmake .. -G "Visual Studio 14 2015 Win64" -DPY_VERSION=3.5 -DPYTHON_INCLUDE_DIR=${PYTHON_INCLUDE_DIRS} -DPYTHON_LIBRARY=${PYTHON_LIBRARY} -DPYTHON_EXECUTABLE=${PYTHON_EXECUTABLE} -DWITH_FLUID_ONLY=ON -DWITH_GPU=OFF -DWITH_TESTING=OFF -DCMAKE_BUILD_TYPE=Release

       
       
    
       
       
    • 1
    • 编译GPU版本，目前Windows还不支持GPU，支持后会更新。

在这里插入图片描述
9. 下载第三方依赖包（openblas，snappystream），下载地址：https://github.com/wopeizl/Paddle_deps ，将整个third_party文件夹放到上面第7步创建的build目录下。
10. 使用Blend for Visual Studio 2015 打开paddle.sln文件，选择平台为x64，配置为Release，开始编译
11. 编译成功后进入\paddle\build\python\dist目录下找到生成的.whl包
12. 执行以下命令安装编译好的PaddlePaddle包：

pip3 install （whl包的名字）

     
     

     
     
  • 1

Ubuntu本地下源码编译

下面介绍的是使用Ubuntu编译PaddlePaddle源码，笔者的系统是64位的Ubuntu 16.04，Python环境是Python 3.5。

安装openCV

  1. 更新apt的源，命令如下：
sudo apt update

     
     

     
     
  • 1

  1. 下载openCV源码，官方地址：https://opencv.org/releases.html ， 笔者下载的是3.4.5版本，选择的是Sources点击下载。
    在这里插入图片描述

  2. 解压openCV源码，命令如下：

unzip opencv-3.4.5.zip

     
     

     
     
  • 1
  1. 安装可能需要的依赖库，命令如下：
sudo apt-get install cmake
sudo apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg.dev libtiff4.dev libswscale-dev libjasper-dev

     
     

     
     
  • 1
  • 2
  1. 开始执行cmake。
cd opencv-3.4.5/
mkdir my_build_dir
cd my_build_dir
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..

     
     

     
     
  • 1
  • 2
  • 3
  • 4
  1. 开始执行编译
make -j$(nproc)

     
     

     
     
  • 1
  1. 执行安装命令
sudo make install

     
     

     
     
  • 1

安装依赖环境

编译PaddlePaddle源码之前，还需要安装以下的一些依赖环境。

sudo apt install python3.5-dev
sudo apt-get udpate
sudo apt-get install -y software-properties-common
sudo add-apt-repository ppa:deadsnakes/ppa
sudo apt install curl
sudo curl https://bootstrap.pypa.io/get-pip.py -o - | python3.5
sudo easy_install pip
sudo apt install swig
sudo apt install wget
sudo pip install numpy==1.14.0
sudo pip install protobuf==3.1.0
sudo pip install wheel
sudo apt install patchelf

     
     

     
     
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13

编译PaddlePaddle

  1. 将PaddlePaddle的源码clone在当下目录下的Paddle的文件夹中，并进入Padde目录下，命令如下：
git clone https://github.com/PaddlePaddle/Paddle.git
cd Paddle

     
     

     
     
  • 1
  • 2
  1. 切换到较稳定release分支下进行编译，比如笔者使用的是1.2版本，读者可以根据自己的情况选择其他版本：
git checkout release/1.4

     
     

     
     
  • 1
  1. 创建并进入一个叫build的目录下：
mkdir build && cd build

     
     

     
     
  • 1

  1. 执行cmake，这里分为CPU版本和GPU版本。

    • 编译CPU版本，命令如下。使用参数-DPY_VERSION指定编译的PaddlePaddle支持的Python版本，笔者这里选择的是Python 3.5。并且使用参数-DWITH_FLUID_ONLY指定不编译V2版本的PaddlePaddle代码。使用参数-DWITH_GPU指定不使用GPU，也就是只编译CPU版本：
    cmake .. -DPY_VERSION=3.5 -DWITH_FLUID_ONLY=ON -DWITH_GPU=OFF -DWITH_TESTING=OFF -DCMAKE_BUILD_TYPE=Release

       
       
    
       
       
    • 1
    • 编译GPU版本，还要安装一下依赖环境，如下：
      1. 安装 CUDA 和 CUDNN，可以查看笔者之前的文章《Ubuntu安装和卸载CUDA和CUDNN》
      2. 安装nccl2，命令如下
      wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/nvidia-machine-learning-repo-ubuntu1604_1.0.0-1_amd64.deb
dpkg -i nvidia-machine-learning-repo-ubuntu1604_1.0.0-1_amd64.deb
sudo apt-get install -y libnccl2=2.2.13-1+cuda9.0 libnccl-dev=2.2.13-1+cuda9.0

         
         
      
         
         
      • 1
      • 2
      • 3
      1. 执行cmake。使用参数-DPY_VERSION指定编译的PaddlePaddle支持的Python版本，笔者这里选择的是Python 3.5。并且使用参数-DWITH_FLUID_ONLY指定不编译V2版本的PaddlePaddle代码。使用参数-DWITH_GPU指定使用GPU，同时编译支持CPU和GPU版本的PaddlePaddle。
      cmake .. -DPY_VERSION=3.5 -DWITH_FLUID_ONLY=ON -DWITH_GPU=ON -DWITH_TESTING=OFF -DCMAKE_BUILD_TYPE=Release

         
         
      
         
         
      • 1

  2. 使用以下命令正式编译，编译时间比较长：

make -j$(nproc)

     
     

     
     
  • 1
  1. 编译成功后进入/paddle/build/python/dist目录下找到生成的PaddlePaddle.whl包，可以使用这个命令进入到指定目录。
cd /paddle/build/python/dist

     
     

     
     
  • 1
  1. 在当前机器或目标机器安装编译好的.whl包：
pip3 install （whl包的名字）

     
     

     
     
  • 1

Ubuntu使用Docker源码编译

使用docker编译的安装包只能支持Ubuntu的PaddlePaddle，因为下载docker镜像也是Ubuntu系统的。通过使用docker编译PaddlePaddle得到的安装包，可以在docker本身使用，之后可以使用docker执行PaddlePaddle。也可以本地的Ubuntu上安装使用，不过要注意的是docker中的系统是Ubuntu 16.04。

安装Docker

  1. 安装前准备
# 卸载系统原有docker
sudo apt-get remove docker docker-engine docker.io containerd runc
# 更新apt-get源 
sudo apt-get update
# 安装docker的依赖 
sudo apt-get install \
    apt-transport-https \
    ca-certificates \
    curl \
    gnupg-agent \
    software-properties-common
# 添加Docker的官方GPG密钥：
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
# 验证拥有指纹
sudo apt-key fingerprint 0EBFCD88
# 设置稳定存储库
sudo add-apt-repository \
   "deb [arch=amd64] https://download.docker.com/linux/ubuntu \
   $(lsb_release -cs) \
   stable"

     
     

     
     
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  1. 安装Docker，编译CPU版本使用。
# 再次更新apt-get源 
sudo apt-get update
# 开始安装docker 
sudo apt-get install docker-ce
# 加载docker 
sudo apt-cache madison docker-ce
# 验证docker是否安装成功
sudo docker run hello-world

     
     

     
     
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

正常情况下输出如下图所示。
在这里插入图片描述

  1. 安装nvidia-docker，编译GPU版本使用（根据情况安装）。安装之前要确认本地有独立显卡并安装的显卡驱动。
wget -P /tmp https://github.com/NVIDIA/nvidia-docker/releases/download/v1.0.1/nvidia-docker_1.0.1-1_amd64.deb
sudo dpkg -i /tmp/nvidia-docker*.deb && rm /tmp/nvidia-docker*.deb

     
     

     
     
  • 1
  • 2

编译PaddlePaddle

  1. 克隆PaddlePaddle源码：
git clone https://github.com/PaddlePaddle/Paddle.git

     
     

     
     
  • 1
  1. 进入Paddle目录下：
cd Paddle

     
     

     
     
  • 1

  1. 启动docker镜像

    • 编译CPU版本，使用命令
    sudo docker run --name paddle-test -v $PWD:/paddle --network=host -it hub.baidubce.com/paddlepaddle/paddle:latest-dev /bin/bash

       
       
    
       
       
    • 1
    • 编译GPU版本，使用命令
    sudo nvidia-docker run --name paddle-test -v $PWD:/paddle --network=host -it hub.baidubce.com/paddlepaddle/paddle:latest-dev /bin/bash

       
       
    
       
       
    • 1

  2. 进入Docker后进入paddle目录下：

cd paddle

     
     

     
     
  • 1
  1. 切换到较稳定release分支下进行编译，读者可以根据自己的情况选择其他版本：
git checkout release/1.4

     
     

     
     
  • 1
  1. 创建并进入/paddle/build路径下：
mkdir -p /paddle/build && cd /paddle/build

     
     

     
     
  • 1
  1. 使用以下命令安装相关依赖：
pip3 install protobuf==3.1.0
apt install patchelf

     
     

     
     
  • 1
  • 2

  1. 执行cmake：

    • 编译CPU版本PaddlePaddle的命令。使用参数-DPY_VERSION指定编译的PaddlePaddle支持的Python版本，笔者这里选择的是Python 3.5。并且使用参数-DWITH_FLUID_ONLY指定不编译V2版本的PaddlePaddle代码。使用参数-DWITH_GPU指定不使用GPU，只编译支持CPU的PaddlePaddle：
    cmake .. -DPY_VERSION=3.5 -DWITH_FLUID_ONLY=ON -DWITH_GPU=OFF -DWITH_TESTING=OFF -DCMAKE_BUILD_TYPE=Release

       
       
    
       
       
    • 1
    • 编译GPU版本PaddlePaddle的命令。使用参数-DPY_VERSION指定编译的PaddlePaddle支持的Python版本，笔者这里选择的是Python 3.5。并且使用参数-DWITH_FLUID_ONLY指定不编译V2版本的PaddlePaddle代码。使用参数-DWITH_GPU指定使用GPU，同时编译支持CPU和GPU版本的PaddlePaddle。这里要注意一下，我们拉取的这个镜像是CUDA 8.0的，不一定跟读者本地的CUDA版本对应，这可能导致编译的安装包在本地不可用：
    cmake .. -DPY_VERSION=3.5 -DWITH_FLUID_ONLY=ON -DWITH_GPU=ON -DWITH_TESTING=OFF -DCMAKE_BUILD_TYPE=Release

       
       
    
       
       
    • 1

  2. 执行编译：

make -j$(nproc)

     
     

     
     
  • 1
  1. 编译成功后，生成的安装包存放在/paddle/build/python/dist目录下，如果是想在docker中安装PaddlePaddle，可以直接在docker中打开这个目录。如果要在本地安装的话，还有先退出docker，并进入到这个目录：
# 在docker镜像中安装
cd /paddle/build/python/dist
# 在Ubuntu本地安装
exit
cd build/python/dist

     
     

     
     
  • 1
  • 2
  • 3
  • 4
  • 5
  1. 安装PaddlePaddle，执行以下命令：
pip3.5 install （whl包的名字）

     
     

     
     
  • 1

测试环境

下面介绍在Windows测试PaddlePaddle的安装情况，Ubuntu环境类似。

  1. 开发工具笔者喜欢使用PyCharm，下载地址：https://www.jetbrains.com/pycharm/download/#section=windows ， 笔者使用的是社区版本的PyCharm，因为这个是免费的[坏笑]。
    在这里插入图片描述

  2. 创建一个新项目，并选择系统的Python环境，第一个是创建一个Python的虚拟环境，这里选择第二个外部的Python环境，点击...选择外部Python环境。
    在这里插入图片描述

  3. 这里选择系统的Python环境，选择的路径是之前安装Python的路径。
    在这里插入图片描述

  4. 创建一个Python程序文件，并命名为test_paddle.py，编写并执行以下测试代码，现在看不懂没有关系，跟着这个系列教程来学，我们会熟悉使用PaddlePaddle的：

# Include libraries.
import paddle
import paddle.fluid as fluid
import numpy
import six

# Configure the neural network.
def net(x, y):
y_predict = fluid.layers.fc(input=x, size=1, act=None)
cost = fluid.layers.square_error_cost(input=y_predict, label=y)
avg_cost = fluid.layers.mean(cost)
return y_predict, avg_cost

# Define train function.
def train(save_dirname):
x = fluid.layers.data(name=‘x’, shape=[13], dtype=‘float32’)
y = fluid.layers.data(name=‘y’, shape=[1], dtype=‘float32’)
y_predict, avg_cost = net(x, y)
sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.001)
sgd_optimizer.minimize(avg_cost)
train_reader = paddle.batch(
paddle.reader.shuffle(paddle.dataset.uci_housing.train(), buf_size=500),
batch_size=20)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
def train_loop(main_program):
feeder = fluid.DataFeeder(place=place, feed_list=[x, y])
exe.run(fluid.default_startup_program())

    PASS_NUM <span class="token operator">=</span> <span class="token number">1000</span>
    <span class="token keyword">for</span> pass_id <span class="token keyword">in</span> <span class="token builtin">range</span><span class="token punctuation">(</span>PASS_NUM<span class="token punctuation">)</span><span class="token punctuation">:</span>
        total_loss_pass <span class="token operator">=</span> <span class="token number">0</span>
        <span class="token keyword">for</span> data <span class="token keyword">in</span> train_reader<span class="token punctuation">(</span><span class="token punctuation">)</span><span class="token punctuation">:</span>
            avg_loss_value<span class="token punctuation">,</span> <span class="token operator">=</span> exe<span class="token punctuation">.</span>run<span class="token punctuation">(</span>
                main_program<span class="token punctuation">,</span> feed<span class="token operator">=</span>feeder<span class="token punctuation">.</span>feed<span class="token punctuation">(</span>data<span class="token punctuation">)</span><span class="token punctuation">,</span> fetch_list<span class="token operator">=</span><span class="token punctuation">[</span>avg_cost<span class="token punctuation">]</span><span class="token punctuation">)</span>
            total_loss_pass <span class="token operator">+=</span> avg_loss_value
            <span class="token keyword">if</span> avg_loss_value <span class="token operator">&lt;</span> <span class="token number">5.0</span><span class="token punctuation">:</span>
                <span class="token keyword">if</span> save_dirname <span class="token keyword">is</span> <span class="token operator">not</span> <span class="token boolean">None</span><span class="token punctuation">:</span>
                    fluid<span class="token punctuation">.</span>io<span class="token punctuation">.</span>save_inference_model<span class="token punctuation">(</span>
                        save_dirname<span class="token punctuation">,</span> <span class="token punctuation">[</span><span class="token string">'x'</span><span class="token punctuation">]</span><span class="token punctuation">,</span> <span class="token punctuation">[</span>y_predict<span class="token punctuation">]</span><span class="token punctuation">,</span> exe<span class="token punctuation">)</span>
                <span class="token keyword">return</span>
        <span class="token keyword">print</span><span class="token punctuation">(</span><span class="token string">"Pass %d, total avg cost = %f"</span> <span class="token operator">%</span> <span class="token punctuation">(</span>pass_id<span class="token punctuation">,</span> total_loss_pass<span class="token punctuation">)</span><span class="token punctuation">)</span>

train_loop<span class="token punctuation">(</span>fluid<span class="token punctuation">.</span>default_main_program<span class="token punctuation">(</span><span class="token punctuation">)</span><span class="token punctuation">)</span>

# Infer by using provided test data.
def infer(save_dirname=None):
place = fluid.CPUPlace()
exe = fluid.Executor(place)
inference_scope = fluid.core.Scope()
with fluid.scope_guard(inference_scope):
[inference_program, feed_target_names, fetch_targets] = (
fluid.io.load_inference_model(save_dirname, exe))
test_reader = paddle.batch(paddle.dataset.uci_housing.test(), batch_size=20)

    test_data <span class="token operator">=</span> six<span class="token punctuation">.</span><span class="token builtin">next</span><span class="token punctuation">(</span>test_reader<span class="token punctuation">(</span><span class="token punctuation">)</span><span class="token punctuation">)</span>
    test_feat <span class="token operator">=</span> numpy<span class="token punctuation">.</span>array<span class="token punctuation">(</span><span class="token builtin">list</span><span class="token punctuation">(</span><span class="token builtin">map</span><span class="token punctuation">(</span><span class="token keyword">lambda</span> x<span class="token punctuation">:</span> x<span class="token punctuation">[</span><span class="token number">0</span><span class="token punctuation">]</span><span class="token punctuation">,</span> test_data<span class="token punctuation">)</span><span class="token punctuation">)</span><span class="token punctuation">)</span><span class="token punctuation">.</span>astype<span class="token punctuation">(</span><span class="token string">"float32"</span><span class="token punctuation">)</span>
    test_label <span class="token operator">=</span> numpy<span class="token punctuation">.</span>array<span class="token punctuation">(</span><span class="token builtin">list</span><span class="token punctuation">(</span><span class="token builtin">map</span><span class="token punctuation">(</span><span class="token keyword">lambda</span> x<span class="token punctuation">:</span> x<span class="token punctuation">[</span><span class="token number">1</span><span class="token punctuation">]</span><span class="token punctuation">,</span> test_data<span class="token punctuation">)</span><span class="token punctuation">)</span><span class="token punctuation">)</span><span class="token punctuation">.</span>astype<span class="token punctuation">(</span><span class="token string">"float32"</span><span class="token punctuation">)</span>

    results <span class="token operator">=</span> exe<span class="token punctuation">.</span>run<span class="token punctuation">(</span>inference_program<span class="token punctuation">,</span>
                      feed<span class="token operator">=</span><span class="token punctuation">{</span>feed_target_names<span class="token punctuation">[</span><span class="token number">0</span><span class="token punctuation">]</span><span class="token punctuation">:</span> numpy<span class="token punctuation">.</span>array<span class="token punctuation">(</span>test_feat<span class="token punctuation">)</span><span class="token punctuation">}</span><span class="token punctuation">,</span>
                      fetch_list<span class="token operator">=</span>fetch_targets<span class="token punctuation">)</span>
    <span class="token keyword">print</span><span class="token punctuation">(</span><span class="token string">"infer results: "</span><span class="token punctuation">,</span> results<span class="token punctuation">[</span><span class="token number">0</span><span class="token punctuation">]</span><span class="token punctuation">)</span>
    <span class="token keyword">print</span><span class="token punctuation">(</span><span class="token string">"ground truth: "</span><span class="token punctuation">,</span> test_label<span class="token punctuation">)</span>

# Run train and infer.
if name == “main”:
save_dirname = “fit_a_line.inference.model”
train(save_dirname)
infer(save_dirname)

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72

正常情况下会输出：

Pass 0, total avg cost = 13527.760742
Pass 1, total avg cost = 12497.969727
Pass 2, total avg cost = 11737.727539
Pass 3, total avg cost = 11017.893555
Pass 4, total avg cost = 9801.554688
Pass 5, total avg cost = 9150.510742
Pass 6, total avg cost = 8611.593750
Pass 7, total avg cost = 7924.654297
......

 
 

 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9

PaddlePaddle的安装已经介绍完成，那我们开始进入深度学习的大门吧。本系列教程将会一步步介绍如何使用PaddlePaddle，并使用PaddlePaddle应用到实际项目中。

项目代码GitHub地址：https://github.com/yeyupiaoling/LearnPaddle2/tree/master/note1

注意： 最新代码以GitHub上的为准

参考资料

  1. http://www.paddlepaddle.org/documentation/docs/zh/1.2/beginners_guide/install/install_Ubuntu.html
  2. http://www.paddlepaddle.org/documentation/docs/zh/1.2/beginners_guide/install/install_Windows.html
  3. https://blog.csdn.net/cocoaqin/article/details/78163171
文章最后发布于: 2018-10-29 22:58:28
@[TOC](这里写自定义目录标题)

欢迎使用Markdown编辑器

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

  1. 全新的界面设计 ，将会带来全新的写作体验；
  2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
  3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
  4. 全新的 KaTeX数学公式 语法；
  5. 增加了支持甘特图的mermaid语法1 功能；
  6. 增加了 多屏幕编辑 Markdown文章功能；
  7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
  8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H2O is是液体。

210 运算结果是 1024.

插入链接与图片

链接: link.

图片: Alt

带尺寸的图片: Alt

居中的图片: Alt

居中并且带尺寸的图片: Alt

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

  • 项目
    • 项目
      • 项目
  1. 项目1
  2. 项目2
  3. 项目3
  • 计划任务
  • 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目Value
电脑$1600
手机$12
导管$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列第二列第三列
第一列文本居中第二列文本居右第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPEASCIIHTML
Single backticks'Isn't this fun?'‘Isn’t this fun?’
Quotes"Isn't this fun?"“Isn’t this fun?”
Dashes-- is en-dash, --- is em-dash– is en-dash, — is em-dash

创建一个自定义列表

Markdown
Text-to- HTML conversion tool
Authors
John
Luke

如何创建一个注脚

一个具有注脚的文本。2

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N 是通过欧拉积分

Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t   . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞​tz−1e−tdt.

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

Mon 06 Mon 13 Mon 20 已完成 进行中 计划一 计划二 现有任务 Adding GANTT diagram functionality to mermaid
  • 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：

张三 李四 王五 你好！李四, 最近怎么样? 你最近怎么样，王五？ 我很好，谢谢! 我很好，谢谢! 李四想了很长时间, 文字太长了 不适合放在一行. 打量着王五... 很好... 王五, 你怎么样? 张三 李四 王五

这将产生一个流程图。:

链接
长方形
圆
圆角长方形
菱形
  • 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

Created with Raphaël 2.2.0 开始 我的操作 确认？ 结束 yes no
  • 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

  1. mermaid语法说明 ↩︎

  2. 注脚的解释 ↩︎

Chouy00x0
关注
专栏目录
《自然语言处理实战入门》 ---- 【Generative AI重制版】总目录
shiter编写程序的艺术
12-03 5353
随着人工智能的快速发展，自然语言处理和机器学习技术的应用愈加广泛。为使大家对该领域整体概况有一个系统、明晰的认识，同时入门一些工程实践，也借CSDN为NLP的学习，开发者们搭建一个交流的平台。我希望能够通过这个专栏《自然语言处理实战入门》和广大NLP爱好者一起学习自然语言处理技术，分享学习资料，打破NLP 技术 的实战应用壁垒。................................................
PaddlePaddle从入门到炼丹.pdf
10-16
一份不错的PaddlePaddle入门教材。百度的深度学习框架PaddlePaddle你值的了解下。
PaddlePaddle快速入门
ajream的博客
04-22 510
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
Paddle.js 教程
最新发布
gitblog_00663的博客
08-07 862
Paddle.js 教程 Paddle.jsPaddle.js is a web project for Baidu PaddlePaddle, which is an open source deep learning framework running in the browser. Paddle.js can either load a pre-trained model, or tran...
PaddlePaddle-快速入门篇
SEUer_jeff的博客
03-05 4677
本博主最近在准备学习入手百度的深度学习架构-PaddlePaddle，本博客是本博主在学习的过程中的一些心得，写下是为了分享一些自己的心得，也是为了方便自己以后查看。本文章主要针对PaddlePaddle上的快速入门案例的讲解，地址为：http://paddlepaddle.org/官方提供的代码解决的问题背景为：根据影响房价的13个维度的参数来使用线性回归来进行在新给定13个维度的数据时预测房价...
paddlepaddle基础入门
GreatXiang888的博客
01-03 1901
文章目录0.前言1.可学习参数2.输入数据Tensor3.Paddle数据传入4.一个小例子5.动态图 vs 静态图 0.前言 为什么要学？ 因为现在免费使用gpu，穷。 官网：https://aistudio.baidu.com/aistudio/index 当官方在知乎打广告时，有个用户说的好，虽然免费但增加了学习成本。 这个确实是这样的，但计算机行业就是不断学习，正好我tf，pytorch也...
NLP原理和应用入门：paddle（梯度裁剪、ONNX协议、动态图转静态图、推理部署）
m0_62237233的博客
04-27 1597
动态图（Dynamic Graph）和静态图（Static Graph）是深度学习框架中的两种模型建立方式。静态图是指在模型建立之前，先定义好整个计算图，然后再将数据输入计算图中进行计算。这种方式最早出现在 TensorFlow 中，用户需要先定义计算图的结构，然后再将数据输入计算图中进行计算，具有很好的性能和可扩展性。动态图是指在模型运行时才会生成计算图。例如，PyTorch 和 Chainer 就是使用动态图的深度学习框架。
paddlepaddle从入门到炼丹
06-28
PaddlePaddle是一个开源的深度学习框架，它提供了丰富的API和工具，可以帮助开发者快速...总之，要想从入门到炼丹，需要不断学习和实践，掌握PaddlePaddle的各种功能和应用场景，才能成为一名优秀的深度学习工程师。
PaddlePaddle
07-27
- *1* *2* *3* [《PaddlePaddle从入门到炼丹》一——新版本PaddlePaddle的安装](https://blog.csdn.net/qq_33200967/article/details/83052060)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630",...
道友请留步，且看PaddlePaddle入手深度学习成为一名炼丹师
zypaslx的专栏
08-20 786
# 目录 - 道友请留步 - 求道初体验 - 金丹大道修炼秘籍 # 1 道友请留步 要做神仙，快乐无边。点石成金，驾鹤飞仙！ 从《封神演义》到《西游记》，中国的神话传说满足了我们对宇宙的浪漫憧憬和想象。太上老君兜率八卦炉苦心炼制九九八十一天，金丹大成，凡人只需服上一颗，立马就能得道成仙，白日飞升。帅炸了！（画外音：咳咳！某人，口水滴到桌子上啦，快快醒来~~~） 艰难地回到现实世界！ 要是咱也有一座八卦炉，闲来无事炼炼丹，这生活想来应该也是极好的吧。这不，机会来了，知名大派百度飞浆PaddlePaddle炼
PaddlePaddle入门系列
06-12 326
PaddlePaddle入门系列，请参考大牛专栏：https://blog.csdn.net/qq_33200967/column/info/28499
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。
Paddle初识：从入门到入丹炉
qq_51693245的博客
02-10 888
Paddle初识：从入门到入丹炉Paddle深度学习开发的万能公式关于学习资源开源API文档关于网页notebook关于代码Ctrl c+ Ctrl v总结 Paddle 你好！这里是真冷(Bleak Cold)。从零基础开始，结束了为期7天的Paddle高层api学习，诚心诚意与大家分享一下paddle的上手知识和内心感悟。诚邀各位新老司机前来交流经验！ 深度学习开发的万能公式 如图，课程结束之后这张图已经刻进了DNA。不过有一说一，这个框架是真的好，让我知道每一步是该做什么，下一步该怎么走，脚踏实地。
Paddle深度学习快速入门
qq_46221910的博客
11-16 322
推荐论文学习
Paddle带你零基础入门深度学习
qq_42026794的博客
08-16 2062
PaddlePaddle带你零基础入门深度学习第一周手写数字识别任务数据处理网络结构损失函数优化算法训练调试与优化 第一周手写数字识别任务 手写数字识别任务 数据处理 数据处理优化 在工业实践中，我们面临的任务和数据环境千差万别，通常需要自己编写适合当前任务的数据处理程序，一般涉及如下五个环节： 读入数据 划分数据集 生成批次数据 训练样本集乱序 校验数据有效性 在数据读取与处理前，首先要加载飞桨和数据处理库，代码如下。 # 加载飞桨和相关数据处理的库 import paddle import paddl
百度PaddlePaddle >>> 4. 快速入门
原谅我这一生不羁放纵爱自由
03-29 478
本文基于百度PaddlePaddle教程：https://aistudio.baidu.com/aistudio/projectdetail/350646 一、PaddlePaddle基础命令 在PaddlePaddle中，计算的对象是张量。 1. 计算常量的加法：1+1 使用PaddlePaddle来计算一个[[1, 1], [1, 1]] * [[1, 1], [1, 1]] 定义两个张量的...
PaddleDetection从入门到精通
qq_58997690的博客
07-20 1057
num_max_boxes边框最大数量；base_lr：# 学习率决定了权值更新的速度，学习率越大，更新的速度就越快，但太快容易跳过最优解，而学习率太小更新的越慢，效率低。image_dir是图像目录，路径相对于dataset_dir；anno_path是注释文件目录，路径相对于dataset_dir；标签名包括'ball'、'racket'、'hand'。milestones：#学习率变动因子：如迭代10000次时，学习率衰减10倍，15000次迭代时，学习率又会在前一个学习率的基础上衰减15倍。
基于Paddle的计算机视觉入门教程——第1讲 介绍
weixin_45747759的博客
01-16 1913
学习人工智能的意义 近些年来，人工智能技术迅速发展，已经在多个领域取得了实质性的突破，也有了众多工业内的应用，新能源汽车的自动驾驶、路面交通的违章识别、每日打卡的人脸识别、大数据的智能化搜索以及文字的提取翻译等等，都使用了人工智能技术。其中，计算机视觉是人工智能的重要组成部分，以往使用传统技术很难攻克的难题，都被人工智能技术一一化解，可以说人工智能推动了整个计算机视觉领域的发展，是一种非常强大的技术手段。 这么强大的技术，我们学习它究竟有什么意义呢？ 结合我自身的切身感受来说，在本科阶段，我自己也参加了
《PaddlePaddle从入门到炼丹》一——新版本PaddlePaddle的安装
热门推荐
夜雨飘零
10-29 3万+
这一章我们介绍如何安装新版本的PaddlePaddle，这里说的新版本主要是说Fluid版本。Fluid 是设计用来让用户像Pytorch和Tensorflow Eager Execution一样执行程序。在这些系统中，不再有模型这个概念，应用也不再包含一个用于描述Operator图或者一系列层的符号描述，而是像通用程序那样描述训练或者预测的过程。也就是说PaddlePaddle从Fluid版本开始使用动态图机制，所以我们这个系列也是使用Fluid版本编写的教程。
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