飞桨(PaddlePaddle)快速上手教程

文章目录

      • 飞桨(PaddlePaddle)快速上手教程
        • [1. 快速安装飞桨](#1. 快速安装飞桨)
        • [2. 导入飞桨](#2. 导入飞桨)
        • [3. 实践:手写数字识别任务](#3. 实践:手写数字识别任务)
          • [3.1 数据集定义与加载](#3.1 数据集定义与加载)
          • [3.2 模型组网](#3.2 模型组网)
          • [3.3 模型训练与评估](#3.3 模型训练与评估)
          • [3.4 模型推理](#3.4 模型推理)
        • [4. 总结](#4. 总结)

飞桨(PaddlePaddle)快速上手教程

本教程将引导您通过一个简单的手写数字识别任务来快速了解深度学习模型开发的流程,并掌握飞桨框架API的基本使用方法。

1. 快速安装飞桨

首先,确保您的Python版本在3.6到3.9之间,并安装了相应版本的pip。然后,使用以下命令安装飞桨:

bash 复制代码
python3 -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
2. 导入飞桨

在Python解释器中导入飞桨:

python 复制代码
import paddle
print(paddle.__version__)
3. 实践:手写数字识别任务
3.1 数据集定义与加载

使用飞桨内置的MNIST数据集进行训练和测试。

python 复制代码
from paddle.vision.datasets import MNIST
from paddle.vision.transforms import Normalize

transform = Normalize(mean=[127.5], std=[127.5], data_format='CHW')
train_dataset = MNIST(mode='train', transform=transform)
test_dataset = MNIST(mode='test', transform=transform)
3.2 模型组网

使用飞桨内置的LeNet模型。

python 复制代码
from paddle.vision.models import LeNet
model = LeNet(num_classes=10)
3.3 模型训练与评估

使用paddle.Model封装模型,并进行训练和评估。

python 复制代码
from paddle.Model import Model
from paddle.optimizer import Adam
from paddle.nn.losses import CrossEntropyLoss
from paddle.metric import Accuracy

model = Model(model)
model.prepare(optimizer=Adam(parameters=model.parameters(), learning_rate=0.001),
              loss=CrossEntropyLoss(),
              metrics=Accuracy())
model.fit(train_dataset, epochs=5, batch_size=64, verbose=1)

eval_result = model.evaluate(test_dataset)
print(eval_result)
3.4 模型推理

保存模型并加载进行推理。

python 复制代码
model.save('./output/mnist')
loaded_model = paddle.Model.load('./output/mnist')

# 从测试集中取出一张图片进行推理
img, label = test_dataset[0]
img_batch = paddle.expand_dims(img, axis=0).astype('float32')
pred_label = loaded_model.predict([img_batch])
true_label = label.numpy()[0]
pred_label = pred_label[0].numpy()

print(f'true label: {true_label}, pred label: {pred_label}')
4. 总结

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。

相关推荐
DisonTangor11 分钟前
阿里开源Qwen3-Omni-30B-A3B三剑客——Instruct、Thinking 和 Captioner
人工智能·语言模型·开源·aigc
独孤--蝴蝶12 分钟前
AI人工智能-机器学习-第一周(小白)
人工智能·机器学习
西柚小萌新14 分钟前
【深入浅出PyTorch】--上采样+下采样
人工智能·pytorch·python
丁学文武41 分钟前
大语言模型(LLM)是“预制菜”? 从应用到底层原理,在到中央厨房的深度解析
人工智能·语言模型·自然语言处理·大语言模型·大模型应用·预制菜
fie88891 小时前
基于MATLAB的声呐图像特征提取与显示
开发语言·人工智能
文火冰糖的硅基工坊2 小时前
[嵌入式系统-100]:常见的IoT(物联网)开发板
人工智能·物联网·架构
刘晓倩2 小时前
实战任务二:用扣子空间通过任务提示词制作精美PPT
人工智能
shut up2 小时前
LangChain - 如何使用阿里云百炼平台的Qwen-plus模型构建一个桌面文件查询AI助手 - 超详细
人工智能·python·langchain·智能体
Hy行者勇哥2 小时前
公司全场景运营中 PPT 的类型、功能与作用详解
大数据·人工智能
FIN66683 小时前
昂瑞微:实现精准突破,攻坚射频“卡脖子”难题
前端·人工智能·安全·前端框架·信息与通信