DL之paddlepaddle：百度深度学习框架paddlepaddle飞桨的简介、安装、使用方法之详细攻略

DL之paddlepaddle：百度深度学习框架paddlepaddle飞桨的简介、安装、使用方法之详细攻略

 

 

目录

paddlepaddle百度深度学习框架的简介

1、飞桨全景图与四大领先技术

2、丰富的工具组件

1.PaddleHub

2.PARL

3.AutoDL

4.VisualDL

5.PALM

6.PGL

7. PaddleFL

paddlepaddle百度深度学习框架的安装

1、快速安装

2、python环境内安装

paddlepaddle百度深度学习框架的使用方法

1、新手入门

---

 

paddlepaddle百度深度学习框架的简介

        飞桨 (PaddlePaddle) 以百度多年的深度学习技术研究和业务应用为基础，集深度学习核心框架、基础模型库、端到端开发套件、工具组件和服务平台于一体，2016 年正式开源，是全面开源开放、技术领先、功能完备的产业级深度学习平台。飞桨源于产业实践，始终致力于与产业深入融合。目前飞桨已广泛应用于工业、农业、服务业等，服务 150 多万开发者，与合作伙伴一起帮助越来越多的行业完成 AI 赋能。

 

1、飞桨全景图与四大领先技术

• 灵活高效的产业级深度学习框架：飞桨深度学习框架采用基于编程逻辑的组网范式，对于普通开发者而言更容易上手，符合他们的开发习惯。同时支持声明式和命令式编程，兼具开发的灵活性和高性能。网络结构自动设计，模型效果超越人类专家。
• 支持超大规模深度学习模型的训练：飞桨突破了超大规模深度学习模型训练技术，实现了世界首个支持千亿特征、万亿参数、数百节点的开源大规模训练平台，攻克了超大规模深度学习模型的在线学习难题，实现了万亿规模参数模型的实时更新。
• 多端多平台部署的高性能推理引擎：飞桨不仅兼容其他开源框架训练的模型，还可以轻松地部署到不同架构的平台设备上。同时，飞桨的推理速度也是全面领先的。尤其经过了跟华为麒麟 NPU 的软硬一体优化，使得飞桨在 NPU上的推理速度进一步突破。
• 面向产业应用，开源覆盖多领域工业级模型库：飞桨官方支持 100 多个经过产业实践长期打磨的主流模型，其中包括在国际竞赛中夺得冠军的模型；同时开源开放 200 多个预训练模型，助力快速的产业应用。

 

2、丰富的工具组件

1.PaddleHub

预训练模型管理和迁移学习组件，10行代码完成迁移学习。提供40+预训练模型，覆盖文本、图像、视频三大领域八类模型；模型即软件，通过Python API或者命令行工具，一行代码完成预训练模型的预测；结合Fine-tune API，10行代码完成迁移学习。 

2.PARL

基于飞桨的深度强化学习框架，夺冠NeurIPS 2018。具有高灵活性和可扩展性，支持可定制的并行扩展， 覆盖 DQN、DDPG、PPO、IMPALA 、A2C、GA3C 等主流强化学习算法。通过 8 块 GPU 拉动近 20000 个 CPU节点运算，将近5个小时迭代一轮的PPO算法加速到不到 1 分钟。

3.AutoDL

自动化深度学习，设计的部分网络效果可优于人类专家设计。AutoDL 包含网络结构自动化设计、迁移小数据建模和适配边缘计算三个部分。开源的 AutoDL 自动网络结构设计的图像分类网络在CIFAR10数据集正确率达到98%，效果优于目前已公开的10种人类专家设计的网络，居于业内领先位置。 [11]  （数据来源：内部测试10种网络分别为：vgg_15_BN_64、vgg_16、resnet_32、resnet_56、resnet_110、resnet_v2_bottleneck_164、wide_resnet、densenet_BC_100_12、resnet_29_8x64d、shake_shake_64d_cutout，实际结果可能受测试环境影响而在一定范围内变化，仅供参考）

4.VisualDL

深度学习可视化工具库，完美可视化深度学习过程。帮助开发者方便地观测训练整体趋势、数据样本质量、数据中间结果、参数分布和变化趋势、模型的结构，更便捷地处理深度学习任务。

5.PALM

灵活易用的多任务学习框架，框架中内置了丰富的模型和数据集读取与处理工具。对于典型的任务场景，用户几乎无需书写代码便可完成新任务的添加；对于特殊的任务场景，用户可通过预置接口来完成对新任务的支持。

6.PGL

高效易用的图学习框架，PGL提供一系列的Python接口用于存储/读取/查询图数据结构，并且提供基于游走（Walk Based）以及消息传递（Message Passing）两种计算范式的计算接口。利用这些接口，可以轻松的搭建最前沿的图学习算法。结合飞桨核心框架，就基本能够覆盖大部分的图网络应用，包括图表示学习以及图神经网络。

7. PaddleFL

开源联邦学习框架。研究人员可以很轻松地用PaddleFL复制和比较不同的联邦学习算法，并且提供很多联邦学习策略及其在计算机视觉、自然语言处理、推荐算法等领域的应用。

 

 

paddlepaddle百度深度学习框架的安装

1、快速安装

请在下图中选择您偏好的环境配置，以获得正确的安装指令。 请注意：要求您的 Python 2 版本是 2.7.15+、Python 3 版本是 3.5.1+/3.6/3.7， pip/pip3 版本是 9.0.1+，Python 和 pip 均是 64 位版本，操作系统是 64 位操作系统。
GPU 版本的 PaddlePaddle 需要使用 cuDNN 7.3+ 版本；如果需要 GPU 多卡训练，请先安装nccl (Windows暂不支持nccl)。

 

2、python环境内安装

CPU版本：python -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
GPU版本：python -m pip install paddlepaddle-gpu -i https://mirror.baidu.com/pypi/simple
pip install paddlepaddle 

是否安装成功测试

import paddle.fluid as fluid 
fluid.install_check.run_check()

 

 

paddlepaddle百度深度学习框架的使用方法

1、新手入门

PaddlePaddle (PArallel Distributed Deep LEarning)是一个易用、高效、灵活、可扩展的深度学习框架

您可参考PaddlePaddle的 Github 了解详情，也可阅读 版本说明 了解新版本的特性

让我们从这里开始：

• 快速开始

当您第一次来到PaddlePaddle，请您首先阅读以下文档，了解安装方法：

• 安装说明：我们支持在Ubuntu/CentOS/Windows/MacOS环境上的安装

这里为您提供了更多学习资料:

• 深度学习基础：覆盖图像分类、个性化推荐、机器翻译等多个深度领域的基础知识，提供 Paddle 实现案例
• 编程指南：介绍 Paddle 的基本概念和使用方法