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
AIGC方案7 分钟前
使用 OpenCV 进行视觉图片调整的几种常见方法
人工智能·opencv·计算机视觉
TMT星球9 分钟前
百度AI开发者大会:连发多款AI应用,覆盖AI数字人等热门赛道
人工智能·百度
星云ai11 分钟前
2025年的营销趋势-矩阵IP
大数据·人工智能
Y1nhl14 分钟前
搜广推校招面经八十二
人工智能·pytorch·深度学习·机器学习·推荐算法·搜索算法
蹦蹦跳跳真可爱58916 分钟前
Python----深度学习(基于DNN的PM2.5预测)
人工智能·pytorch·python·深度学习·线性回归·dnn
IT古董18 分钟前
【漫话机器学习系列】226.测试集、训练集、验证集(test,training,validation sets)
人工智能
十贝19 分钟前
大模型对话风格微调项目实战——部署上线篇
人工智能
掘金詹姆斯20 分钟前
LangChain4j—人工智能服务 AIService(三)
java·人工智能
星辰大海的精灵20 分钟前
AI编码陷阱防不胜防看看 Cursor使用技巧
人工智能·后端
掘金詹姆斯20 分钟前
LangChain4j—聊天记忆 Chat memory(四)
java·人工智能