首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >《PaddlePaddle从入门到炼丹》一——新版本PaddlePaddle的安装

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

作者头像
夜雨飘零
修改于 2020-05-25 06:39:42
修改于 2020-05-25 06:39:42
1.6K0
举报
文章被收录于专栏:CSDN博客CSDN博客

原文博客:Doi技术团队 链接地址:https://blog.doiduoyi.com/authors/1584446358138 初心:记录优秀的Doi技术团队学习经历

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
  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。
  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。

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:
代码语言:txt
AI代码解释
复制
pip3 install paddlepaddle==1.4.1 -i https://mirrors.aliyun.com/pypi/simple/
  • 安装GPU版本,目前支持Windows的CUDA 8.0 cuDNN v7的GPU版本
代码语言:txt
AI代码解释
复制
pip3 install paddlepaddle-gpu==1.4.1 -i https://mirrors.aliyun.com/pypi/simple/
  • 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:
代码语言:txt
AI代码解释
复制
import paddle.fluid

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。
代码语言:txt
AI代码解释
复制
sudo apt install python3.5
sudo apt install python3.5-dev
  • 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:
代码语言:txt
AI代码解释
复制
pip3 install paddlepaddle==1.4.1 -i https://mirrors.aliyun.com/pypi/simple/
  • 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:
代码语言:txt
AI代码解释
复制
pip3 install paddlepaddle-gpu==1.4.1.post97 -i https://mirrors.aliyun.com/pypi/simple/
  • 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:
代码语言:txt
AI代码解释
复制
import paddle.fluid

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。
  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。
  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。
代码语言:txt
AI代码解释
复制
pip3 install numpy
pip3 install protobuf
pip3 install wheel
  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。
  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:
代码语言:txt
AI代码解释
复制
git clone https://github.com/PaddlePaddle/Paddle.git
cd Paddle
  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:
代码语言:txt
AI代码解释
复制
git checkout release/1.2
  1. 创建名为build的目录并进入:
代码语言:txt
AI代码解释
复制
mkdir build
cd build
  1. 执行编译
    • 编译CPU版本命令如下:
代码语言:txt
AI代码解释
复制
   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
  • 编译GPU版本,目前Windows还不支持GPU,支持后会更新。
  1. 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。
  2. 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
  3. 编译成功后进入 \paddle\build\python\dist目录下找到生成的 .whl
  4. 执行以下命令安装编译好的PaddlePaddle包:
代码语言:txt
AI代码解释
复制
pip3 install (whl包的名字)

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:
代码语言:txt
AI代码解释
复制
sudo apt update
  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。
  2. 解压openCV源码,命令如下:
代码语言:txt
AI代码解释
复制
unzip opencv-3.4.5.zip
  1. 安装可能需要的依赖库,命令如下:
代码语言:txt
AI代码解释
复制
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. 开始执行cmake。
代码语言:txt
AI代码解释
复制
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. 开始执行编译
代码语言:txt
AI代码解释
复制
make -j$(nproc)
  1. 执行安装命令
代码语言:txt
AI代码解释
复制
sudo make install

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。

代码语言:txt
AI代码解释
复制
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

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:
代码语言:txt
AI代码解释
复制
git clone https://github.com/PaddlePaddle/Paddle.git
cd Paddle
  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:
代码语言:txt
AI代码解释
复制
git checkout release/1.4
  1. 创建并进入一个叫build的目录下:
代码语言:txt
AI代码解释
复制
mkdir build && cd build
  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:
代码语言:txt
AI代码解释
复制
   cmake .. -DPY\_VERSION=3.5 -DWITH\_FLUID\_ONLY=ON -DWITH\_GPU=OFF -DWITH\_TESTING=OFF -DCMAKE\_BUILD\_TYPE=Release
代码语言:txt
AI代码解释
复制
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. 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
  2. 使用以下命令正式编译,编译时间比较长:
代码语言:txt
AI代码解释
复制
make -j$(nproc)
  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。
代码语言:txt
AI代码解释
复制
cd /paddle/build/python/dist
  1. 在当前机器或目标机器安装编译好的 .whl包:
代码语言:txt
AI代码解释
复制
pip3 install (whl包的名字)

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
代码语言:txt
AI代码解释
复制
# 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. 安装Docker,编译CPU版本使用。
代码语言:txt
AI代码解释
复制
# 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

正常情况下输出如下图所示。

  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。
代码语言:txt
AI代码解释
复制
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

编译PaddlePaddle

  1. 克隆PaddlePaddle源码:
代码语言:txt
AI代码解释
复制
git clone https://github.com/PaddlePaddle/Paddle.git
  1. 进入Paddle目录下:
代码语言:txt
AI代码解释
复制
cd Paddle
  1. 启动docker镜像
    • 编译CPU版本,使用命令
代码语言:txt
AI代码解释
复制
sudo docker run --name paddle-test -v $PWD:/paddle --network=host -it hub.baidubce.com/paddlepaddle/paddle:latest-dev /bin/bash
  • 编译GPU版本,使用命令
代码语言:txt
AI代码解释
复制
sudo nvidia-docker run --name paddle-test -v $PWD:/paddle --network=host -it hub.baidubce.com/paddlepaddle/paddle:latest-dev /bin/bash
  1. 进入Docker后进入paddle目录下:
代码语言:txt
AI代码解释
复制
cd paddle
  1. 切换到较稳定release分支下进行编译,读者可以根据自己的情况选择其他版本:
代码语言:txt
AI代码解释
复制
git checkout release/1.4
  1. 创建并进入 /paddle/build路径下:
代码语言:txt
AI代码解释
复制
mkdir -p /paddle/build && cd /paddle/build
  1. 使用以下命令安装相关依赖:
代码语言:txt
AI代码解释
复制
pip3 install protobuf==3.1.0
apt install patchelf
  1. 执行cmake:
    • 编译CPU版本PaddlePaddle的命令。使用参数 -DPY_VERSION指定编译的PaddlePaddle支持的Python版本,笔者这里选择的是Python 3.5。并且使用参数 -DWITH_FLUID_ONLY指定不编译V2版本的PaddlePaddle代码。使用参数 -DWITH_GPU指定不使用GPU,只编译支持CPU的PaddlePaddle:
代码语言:txt
AI代码解释
复制
cmake .. -DPY\_VERSION=3.5 -DWITH\_FLUID\_ONLY=ON -DWITH\_GPU=OFF -DWITH\_TESTING=OFF -DCMAKE\_BUILD\_TYPE=Release
  • 编译GPU版本PaddlePaddle的命令。使用参数 -DPY_VERSION指定编译的PaddlePaddle支持的Python版本,笔者这里选择的是Python 3.5。并且使用参数 -DWITH_FLUID_ONLY指定不编译V2版本的PaddlePaddle代码。使用参数 -DWITH_GPU指定使用GPU,同时编译支持CPU和GPU版本的PaddlePaddle。这里要注意一下,我们拉取的这个镜像是CUDA 8.0的,不一定跟读者本地的CUDA版本对应,这可能导致编译的安装包在本地不可用:
代码语言:txt
AI代码解释
复制
cmake .. -DPY\_VERSION=3.5 -DWITH\_FLUID\_ONLY=ON -DWITH\_GPU=ON -DWITH\_TESTING=OFF -DCMAKE\_BUILD\_TYPE=Release
  1. 执行编译:
代码语言:txt
AI代码解释
复制
make -j$(nproc)
  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:
代码语言:txt
AI代码解释
复制
# 在docker镜像中安装
cd /paddle/build/python/dist
# 在Ubuntu本地安装
exit
cd build/python/dist
  1. 安装PaddlePaddle,执行以下命令:
代码语言:txt
AI代码解释
复制
pip3.5 install (whl包的名字)

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。
  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。
  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。
  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:
代码语言:txt
AI代码解释
复制
# 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 = 1000
        for pass_id in range(PASS_NUM):
            total_loss_pass = 0
            for data in train_reader():
                avg_loss_value, = exe.run(
                    main_program, feed=feeder.feed(data), fetch_list=[avg_cost])
                total_loss_pass += avg_loss_value
                if avg_loss_value < 5.0:
                    if save_dirname is not None:
                        fluid.io.save_inference_model(
                            save_dirname, ['x'], [y_predict], exe)
                    return
            print("Pass %d, total avg cost = %f" % (pass_id, total_loss_pass))

    train_loop(fluid.default_main_program())

# 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 = six.next(test_reader())
        test_feat = numpy.array(list(map(lambda x: x[0], test_data))).astype("float32")
        test_label = numpy.array(list(map(lambda x: x[1], test_data))).astype("float32")

        results = exe.run(inference_program,
                          feed={feed_target_names[0]: numpy.array(test_feat)},
                          fetch_list=fetch_targets)
        print("infer results: ", results[0])
        print("ground truth: ", test_label)

                              
# Run train and infer.
if __name__ == "__main__":
    save_dirname = "fit_a_line.inference.model"
    train(save_dirname)
    infer(save_dirname)

正常情况下会输出:

代码语言:txt
AI代码解释
复制
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
......

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

下一章:《PaddlePaddle从入门到炼丹》二——计算1+1

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
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018/10/29 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
何不花个做核酸排队的时间来编译一下Paddle?
今天长沙出了个通知——《关于做好常态化便民新冠病毒核酸检测工作的通知》,规定以7天为一个周期至少完成一次核酸检测。这边建议大家做核酸排队的时候别玩手机,可以闭目养神,把本来用于休息的时间来尝试编译一下Paddle。
Regan Yue
2022/10/05
4780
何不花个做核酸排队的时间来编译一下Paddle?
专栏 | 新手入门?一步一步教你如何安装PaddlePaddle
机器之心发布 来源:百度PaddlePaddle 不久之前,机器之心联合百度推出 PaddlePaddle 专栏,为想要学习这一平台的技术人员推荐相关教程与资源。在解析过 PaddlePaddle 框架之后,从这篇文章开始上手,安装 PaddlePaddle。 环境 系统:Ubuntu 16.0.4(64 位) 处理器:Intel(R) Celeron(R) CPU 内存:8G Windows 系统的安装 PaddlePaddle 目前还不支持 Windows,如果读者直接在 Windows 上安装 Pa
机器之心
2018/05/08
1.5K0
专栏 | 新手入门?一步一步教你如何安装PaddlePaddle
PaddlePaddle踩坑指北系列——Linux安装(二)
本周我们在社区问答中精选出开发者在使用Linux安装时遇到的技术难题,可以到PaddlePaddle公众号【常见问答】专栏上寻求解决方案,更好的帮助新用户在安装过程中答疑解惑。
用户1386409
2019/01/03
6.4K0
PaddlePaddle踩坑指北系列——MacOS安装
本周我们精选出社区问答进行整理汇总,各位开发者在使用PaddlePaddle过程中遇到技术难题,可以到PaddlePaddle公众号【常见问答】专栏(点击主菜单中”定制服务“后可见)上寻求解决方案,希望能帮助新用户在MacOS安装过程中解答疑惑。
用户1386409
2018/12/29
1.8K0
[jetson]paddlepaddle2.4.0在jetpack5.0.2源码编译流程
由于官方暂时没有提供jetson对应的jetson jetpack5.0.2预编译包,因此只有源码编译,本次编译不带Tensorrt,编译已经顺利成功,注意本次使用的设备是jetson NX
云未归来
2025/07/19
480
[jetson]paddlepaddle2.4.0在jetpack5.0.2源码编译流程
《我的PaddlePaddle学习之路》笔记十四——把PaddlePaddle迁移到Android设备上
PaddlePaddle还可以迁移到Android或者Linux设备上,在这些部署了PaddlePaddle的设备同样可以做深度学习的预测。在这篇文章中我们就介绍如何把PaddlePaddle迁移到Android手机上,并在Android的APP中使用PaddlePaddle。
夜雨飘零
2020/05/06
2.8K0
《我的PaddlePaddle学习之路》笔记十四——把PaddlePaddle迁移到Android设备上
《PaddlePaddle从入门到炼丹》十——VisualDL 训练可视化
VisualDL是一个面向深度学习任务设计的可视化工具,包含了scalar、参数分布、模型结构、图像可视化等功能。可以这样说:“所见即所得”。我们可以借助VisualDL来观察我们训练的情况,方便我们对训练的模型进行分析,改善模型的收敛情况。
夜雨飘零
2020/05/01
2.6K0
《PaddlePaddle从入门到炼丹》十——VisualDL 训练可视化
如何在Jetson nano上同时编译TensorRT与Paddle Lite框架
我从上学期开始逐渐接触飞桨深度学习框架,当时的飞桨逐步为广大开发者熟知。半年过去,生态不完善不再是扣在飞桨框架上的一顶帽子。如果你仍怀偏见,那么建议从现在开始深入地了解和使用它。
用户1386409
2020/08/04
1.7K0
如何在Jetson nano上同时编译TensorRT与Paddle Lite框架
《我的PaddlePaddle学习之路》笔记十二——可视化工具VisualDL的使用
VisualDL是一个面向深度学习任务设计的可视化工具,包含了scalar、参数分布、模型结构、图像可视化等功能。可以这样说:“所见即所得”。我们可以借助VisualDL来观察我们训练的情况,方便我们对训练的模型进行分析,改善模型的收敛情况。
夜雨飘零
2020/05/06
9350
《我的PaddlePaddle学习之路》笔记十二——可视化工具VisualDL的使用
【使用指南】PaddlePaddle安装编译问题汇总和基本使用概念
编写|PaddlePaddle 排版|wangp Part1 安装编译问题汇总 $ export CUDA_SO="$(\ls usr/lib64/libcuda* | xargs -I{} echo
用户1386409
2018/03/15
1.7K0
【使用指南】PaddlePaddle安装编译问题汇总和基本使用概念
[jetson]jetson上源码编译fastdeploy报错Could not find a package configuration file provided by “Python“ with
git clone https://github.com/PaddlePaddle/FastDeploy.git cd FastDeploy/python export BUILD_ON_JETSON=ON export ENABLE_VISION=ON
云未归来
2025/07/19
530
《我的PaddlePaddle学习之路》笔记十一——新版本Fluid的使用
*Fluid版本的使用可以学习笔者的新系列教程:《PaddlePaddle从入门到炼丹》
夜雨飘零
2020/05/06
1.1K0
PaddlePaddle踩坑指北系列——Linux安装(一)
本周我们在社区中精选出开发者在使用PaddlePaddle过程中遇到的技术难题,希望能帮助广大用户在Linux安装过程中解答疑惑。
用户1386409
2018/12/26
1.3K0
速成记|安装PaddlePaddle到底分几步?
和哪个版本的PaddlePaddle可以牵手成功,首先对自己的“英雄”要足够了解,尤其是这三个硬性条件
用户1386409
2018/07/26
1.2K0
速成记|安装PaddlePaddle到底分几步?
PaddlePaddle发布基于Docker的AI系统开发流程
继两周前(2017年3月11日)PaddlePaddle社区发布新的PythonAPI之后,最近又发布了对应的新版Docker镜像,并优化了镜像的体积和组织方式。
用户1386409
2018/03/15
1.6K0
PaddlePaddle发布基于Docker的AI系统开发流程
【使用指南】用Docker编译和测试PaddlePaddle
编写|PaddlePaddle 排版|wangp 1 需要的软硬件 为了开发PaddlePaddle,我们需要: A: 一台电脑,可以装的是 Linux, BSD, Windows 或者 MacOS 操作系统,以及 B: Docker 不需要依赖其他任何软件了。即便是 Python 和 GCC 都不需要,因为我们会把所有编译工具都安装进一个 Docker image 里 2 总体流程 A:获取源码 git clone https://github.com/paddlepaddle/paddle B:
用户1386409
2018/03/15
1.7K0
[paddle]paddlepaddle官方安装命令合集
https://www.paddlepaddle.org.cn/install/quick?docurl=/documentation/docs/zh/install/pip/windows-pip.html
云未归来
2025/07/17
1050
基于PaddlePaddle语音识别模型
本项目是基于PaddlePaddle的DeepSpeech项目修改的,方便训练中文自定义数据集。
夜雨飘零
2020/05/06
1.5K0
【paddlepaddle速成】paddlepaddle图像分类从模型自定义到测试
这一次我们讲讲paddlepadle这个百度开源的机器学习框架,一个图像分类任务从训练到测试出结果的全流程。
用户1508658
2019/07/25
8630
【paddlepaddle速成】paddlepaddle图像分类从模型自定义到测试
《PaddlePaddle从入门到炼丹》七——强化学习
本章介绍使用PaddlePaddle实现强化学习,通过自我学习,完成一个经典控制类的游戏,相关游戏介绍可以在Gym官网上了解。我们这次玩的是一个CartPole-v1游戏,操作就是通过控制滑块的左右移动,不让竖着的柱子掉下来。利用强化学习的方法,不断自我学习,通过在玩游戏的过程中获取到奖励或者惩罚,学习到一个模型。在王者荣耀中的超强人机使用的AI技术也类似这样。
夜雨飘零
2020/05/01
5440
《PaddlePaddle从入门到炼丹》七——强化学习
推荐阅读
相关推荐
何不花个做核酸排队的时间来编译一下Paddle?
更多 >
交个朋友
加入腾讯云官网粉丝站
蹲全网底价单品 享第一手活动信息
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档