paddlepaddle

22-使用 PaddleClas 快速训练图像分类模型前面几篇文章使用 Paddle 原生 API 手写了 CNN 训练流程。这种方式适合理解原理，但真实图像分类项目通常还需要：

21-图像分类实战：从 MNIST 到 CIFAR-10第 20 篇已经用 Paddle 构建了一个基础 CNN。那一篇重点是理解 Conv2D、MaxPool2D、Flatten 和 Linear 如何组成图像分类模型。本篇继续做完整图像分类实战：先用 MNIST 跑通灰度图分类，再迁移到 CIFAR-10 彩色图分类。

18-训练可视化：日志、指标记录与 VisualDL 入门训练日志只打印在命令行里，很难长期观察趋势。尤其是训练轮数多、实验配置多时，只看几行输出很容易误判。VisualDL 是飞桨生态中的可视化分析工具。它可以把训练过程中的 loss、accuracy、参数分布、图像样本等写入日志文件，再通过 Web 面板展示。

17-正则化方法：Dropout、权重衰减与过拟合控制训练模型时，经常会看到这样的现象：这通常说明模型出现了过拟合。模型把训练集里的模式甚至噪声记住了，但面对验证集或测试集时泛化不好。

Valhalla 静态工程审阅 #022｜百度PaddlePaddle 源码证据驱动评测【大厂开源基础设施特辑】硬核工业风技术文章，建议搭配封面图阅读。本文基于固定 Commit 快照开展只读静态工程审阅，不代表动态安全结论；所有观测均以可复查源码证据为边界。

12-PaddlePaddle, 飞桨, 分类模型, 训练循环, 损失函数, 优化器, cross_entropy, Adam前面已经有了数据读取、预处理和 MLP 模型。第 12 篇把重点放在训练本身：分类模型如何通过 loss、backward 和 optimizer 一步步学会预测。

蓝创工坊Blue Foundry

发票、凭证和对账单怎么整理成 Excel？先定义字段，再逐项复核发票、凭证和对账单一多，真正麻烦的往往不是“看不清文字”，而是后来发现某个金额、日期或对方名称有疑问时，已经找不回它来自哪份原件、哪一页资料。

蓝创工坊Blue Foundry

PaddleOCR 本地部署教程：小模型 OCR 如何完成字段提取到 Excel把 PaddleOCR 跑在本机上，第一步通常不难：准备环境、安装依赖、选一个样本确认能识别出文字。但很多流程停在这里。终端里已经有结果，Excel 却还是不能交付，因为里面没有固定列、来源定位和复核状态。

蓝创工坊Blue Foundry

个人藏书太多怎么整理？用 OCR 字段提取汇总成电子书目书架上的书越多，真正麻烦的往往不是“记不记得买过”，而是需要找某本书的出版社、出版时间或 ISBN（国际标准书号）时，只能一册册翻。

蓝创工坊Blue Foundry

批量提取图片中的数字：怎样整理成一张可核对的 Excel把一批图片里的数字提取出来，最容易忽略的问题不是“能不能读到数字”，而是导出后还能不能确认每个数字来自哪张图、代表什么、有没有被人工看过。

蓝创工坊Blue Foundry

PDF 批量提取指定内容到 Excel：按字段整理多个 PDF 的方法手里有几十份甚至更多 PDF，要从每份里取出姓名、编号、日期、金额这类固定信息，再汇总成 Excel，最容易卡在两件事上：每页内容很多，最后要交的却只是几列数据；而且复制出来的文本还要反复贴进表格。

蓝创工坊Blue Foundry

本地 PDF、图片字段提取到 Excel：用文档工作台的完整流程标签：OCR、PDF、Excel、文档处理、本地部署碰到一摞 PDF 和图片要整理，目标是提取指定的信息输出 Excel——这时候直接跑全文 OCR 往往不管用。

02-安装 PaddlePaddle：CPU、GPU 与环境检查入门安装 PaddlePaddle（飞桨）看起来很简单：复制官方命令，执行 pip install，然后 import paddle。但真实学习和开发中，很多问题并不是 Paddle 本身不会安装，而是环境没有先理清楚。

PaddlePaddle、easyocr与OpenCV工具识别书法图片内容，自动批量重命名图片文件的方法在书法学习、古籍数字化项目中，我们常常会收集大量的单字书法图片。这些图片可能来自碑帖扫描、名家手迹或创作练习，文件名往往是杂乱无章的编号（如 IMG_001.jpg、扫描图1.png），给后续的整理、检索和使用带来了极大的不便。手动为每张图片命名不仅耗时耗力，而且容易出错。

weixin_46846685

PaddlePaddle 深度学习框架实战应用指南在构建人工智能应用的过程中，许多开发者往往沉迷于模型结构的创新或理论公式的推导，却忽略了从数据输入到最终服务上线的全链路工程挑战。实际生产中，我们面临的不再是干净的公开数据集，而是高并发、低延迟、多场景交织的复杂环境。无论是电商平台的毫秒级推荐，还是工厂流水线上的实时质检，亦或是医疗场景中的辅助诊断，每一个环节都对系统的稳定性、准确性和响应速度提出了极高的要求。

心中有国也有家

PaddlePaddle 适配 NPU 的技术全解析——从算子接入到端到端性能优化PaddlePaddle（飞桨）是百度开源的深度学习框架，它怎么在华为 NPU 上跑起来？核心是通过 Paddle 的自定义算子机制接入 CANN 算子库，并通过通信后端抽象支持 HCCL 和 hixl。这篇文章把这套适配技术拆开讲清楚。

目标检测模型的训练方法(工业方法)(insects数据集)本次使用虫子数据集。由于数据集中虫子的分类我无法确定标注是否正确，无法修改虫子的标签。但即使在这种情况下，训练的map指标也从0.83提升到0.937。

使用paddledetection进行模型训练的配置使用paddledetection 2.7版本数据集7类数据，使用了coco格式进行训练，目录改为数据集的存储目录

fastdeploy cpu版本安装，需要什么硬件和软件环境？安装 FastDeploy CPU 版本的硬件和软件环境要求如下，结合官方文档和常见实践整理：提示：若需指定版本（如 1.0.1），替换包名为 fastdeploy-python==1.0.1。

轻松实现多语言文字识别与实时检测：PaddleOCR 实战指南在人工智能与计算机视觉技术飞速发展的当下，文字识别（OCR）作为信息提取的核心技术，已广泛应用于文档数字化、智能监控、自动驾驶、跨境电商等众多领域。百度开源的 PaddleOCR 凭借其轻量级、高精度、多语言支持等特性，成为开发者实现 OCR 功能的首选工具之一。本文将从实战角度出发，结合具体代码案例，详细讲解 PaddleOCR 的核心用法，包括静态图片多语言识别、静态图片文字标注展示、摄像头实时文字检测与中文显示等场景，帮助开发者快速上手并灵活运用 PaddleOCR 解决实际问题。