Press "Enter" to skip to content

飞桨开源框架2.0,带你走进全新高层API,十行代码搞定深度学习模型开发

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

深度学习作为人工智能时代的核心技术,近年来无论学术、还是工业领域,均发挥着愈加重要的作用。而对于深度学习项目开发来说,选择使用哪个框架非常重要,一个合适的框架往往能起到事半功倍的作用。百度飞桨作为行业的领军者,为了进一步降低深度学习的学习门槛,提升开发效率,推出高层API。此API具有高低融合、科学统一、完备易用、兼容历史版本四大特点,更贴近开发者的使用习惯,可谓是实现了真正意义上的快速上手,友好开发。

 

 

高层API,Why

 

 

通常情况下,要完成一个典型的深度学习任务,往往需要经过下图的步骤:

 

 

如果使用当前主流深度学习框架实现以上步骤,每一步都涉及到大量的概念,同时每一步的实现都需要编写大量的代码。这需要开发者花费大量的时间来学习其中的概念和使用方法,还需要开发者投入非常多的时间在深度学习任务的代码实现上。特别是在深度学习任务中,数据的处理与加载是一件非常”折磨”开发者的事情,无论是数据预处理部分,亦或者是数据的加载部分,往往带来大量的工作与未知的错误。

 

以上种种困难,能否用简洁而优雅的方式处理呢?

 

答案是:可以!

 

 

什幺是高层API

 

 

为了简化深度学习的学习过程、降低深度学习的开发效率,飞桨框架历经几个月的迭代,不断的对飞桨框架API进行优化和开发者使用场景进行封装,终于推出了飞桨高层API。

 

 

飞桨高层API是飞桨框架推出的快速实现深度学习模型的API,旨在帮助开发者更快更好的完成深度学习模型的学习和开发。

 

简单来说,飞桨API分为两类,一类是基础API,另一类是高层API。拿制作披萨举例,一般有两种方法:一种是我们准备好面粉、牛奶、火腿等食材,经过我们精心加工,就能制作出美味的披萨;而第二种则是我们买商家预烤制的披萨饼,以及调好的馅料,我们直接加热就可以吃到披萨了。

 

那幺这两种方法有什幺区别呢?采用方法一,自己准备食材,可以随心所欲的搭配料理,制作酱料,从而满足我们的不同口味,但是,这更适合”老司机”,如果是新人朋友,很有可能翻车;而方法二,我们用商家预烤制的披萨饼与馅料,直接加热即可,可以非常快速的完成披萨的制作;但是,相比于方法一,我们会少一些披萨的选择。

 

那幺,用框架来类比,飞桨框架基础API对应方法一,飞桨框架高层API对应方法二。使用基础API,我们可以随心所欲的搭建自己的深度学习模型,不会受到任何限制;而使用方法二,我们可以很快的实现模型,达到自己想要的效果,缺点是少了一些自主性。但是,与制作披萨不同的是,飞桨框架可以做到真正的”鱼与熊掌”可以兼得,我们在飞桨框架中实现了API的高低融合,使我们的开发者既可以享受到基础API的强大,又可以兼顾高层API的快捷。

 

 

高层API的特点

 

 

首先,这次升级并不是简单的优化或者修改了几个API,而是让所有API变得更加体系化。飞桨基于对开发者使用习惯的洞察,以及对深度学习技术本身的理解和应用实践,对已有的API进行了整理和优化,使得API做到了更加科学和一致,贴合开发者的使用习惯。

 

其次,为了帮助开发者实现低代码快速建模,我们提供了更适合低代码编程的高层API,比如数据增强,或者是建立数据流水线等等API,这样就能够帮助开发者进一步简化工作流程;此外,一些非常经典的模型结构,我们也将其封装成了高层API,提供给开发者直接使用。高层API本身不是一个独立的体系,它完全可以和基础API互相配合使用,做到高低融合,从而使用起来会更加便捷。

 

然后还有一个点是广大老开发者最为关心的问题,那就是兼容性,这一点大家可以放心,我们实现了对历史版本的完全兼容,不用担心已有的模型会出现不能使用的情况,我们的老开发者依然可以使用原来的API进行模型开发,同时我们会配备非常完善的教程,引导开发者去根据自己的偏好顺利升级到新版本的API。

 

 

高层API全景图

 

 

飞桨高层API的全景图如下:

 

 

从上图中可以看出,目前飞桨高层API由五个模块组成,分别是数据加载、模型组建、模型训练、模型可视化和高阶用法。我们先通过一个深度学习中经典的手写数字分类任务,来简单了解飞桨高层API。然后在详细的介绍每个模块中所包含的API。

 

import paddle

 

from paddle.vision.transforms  import Compose, Normalize

 

from paddle.vision.datasets  import MNIST

 

import paddle.nn  as nn

 

# 数据预处理,这里用到了归一化

 

transform = Compose([Normalize(mean=[ 127.5 ],

 

std=[ 127.5 ],

 

data_format= ‘CHW’ )])

 

# 数据加载,在训练集上应用数据预处理的操作

 

train_dataset = paddle.vision.datasets.MNIST(mode= ‘train’ , transform=transform)

 

test_dataset = paddle.vision.datasets.MNIST(mode= ‘test’ , transform=transform)

 

# 模型组网

 

mnist = nn.Sequential(

 

nn.Flatten(),

 

nn.Linear( 784 ,  512 ),

 

nn.ReLU(),

 

nn.Dropout( 0.2 ),

 

nn.Linear( 512 ,  10 )

 

)

 

# 模型封装,用Model类封装

 

model = paddle.Model(mnist)

 

# 模型配置:为模型训练做准备,设置优化器,损失函数和精度计算方式

 

model.prepare(optimizer=paddle.optimizer.Adam(parameters=model.parameters()),

 

loss=nn.CrossEntropyLoss(),

 

metrics=paddle.metric.Accuracy())

 

# 模型训练,

 

model.fit(train_dataset,

 

epochs= 10 ,

 

batch_size= 64 ,

 

verbose= 1 )

 

# 模型评估,

 

model.evaluate(test_dataset, verbose= 1 )

 

# 模型保存,

 

‘model_path’

 

)

 

从上面的示例可以看出,飞桨框架高层API对数据预处理、数据加载、模型组网、模型训练、模型评估、模型保存等都进行了封装,每一步均可以通过1~3行代码实现。相比传统方法动辄几十行的代码量,高层API只需要十来行代码,就能轻松完成一个MNIST分类器的训练、评估与保存。开发者以极少的代码就能达到与基础API同样的效果,大大提高了模型开发效率;同时还方便开发者更专注于深度学习技术的核心:即模型算法的实现与调优,而不是在其它的方面。

 

在一些场景下,如初次学习深度学习框架时,使用飞桨高层API,可以骄傲地说出”当你用传统框架还在写数据加载时,我用飞桨高层API已经开始训练模型了”!

 

 

 

高层API详解

 

 

下面以CV任务为例,详细介绍如何使用飞桨高层API完成模型的构建、训练、保存等全流程操作。

 

本示例的完整代码可以在AI Studio上获取,无需准备任何软硬件环境即可直接在线运行代码,相当方便哦:

 

https://aistudio.baidu.com/aistudio/projectdetail/1216442

 

数据预处理与数据加载

 

对于数据预处理与数据加载,飞桨框架提供了许多API,列表如下:

 

 

飞桨框架内置数据集:paddle.vision.datasets内置包含了许多CV领域相关的数据集,直接调用API即可使用;

 

飞桨框架数据预处理:paddle.vision.transforms飞桨框架对于图像预处理的方式,可以快速完成常见的图像预处理的方式,如调整色调、对比度,图像大小等;

 

飞桨框架数据加载:paddle.io.Dataset与paddle.io.DataLoader飞桨框架标准数据加载方式,可以”一键”完成数据的批加载与异步加载;

 

 

1.飞桨框架内置数据集

 

首先,飞桨框架将常用的数据集作为领域API对开发者开放,对应API所在目录为paddle.vision.datasets,包含的数据集如下所示:

 

视觉相关数据集:[‘DatasetFolder’, ‘ImageFolder’, ‘MNIST’, ‘Flowers’, ‘Cifar10’, ‘Cifar100’, ‘VOC2012’]

 

飞桨提供的数据集API包含计算机视觉领域中常见的数据集,完全可以满足我们在数据集方面的需求。

 

2. 飞桨框架预处理方法

 

飞桨框架提供了20多种数据集预处理的接口,方便开发者快速实现数据增强,比如实现图像的色调、对比度、饱和度、大小等各种数字图像处理的方法。预处理API集中在 paddle.vision.transforms 目录下。

 

这些数据预处理方法使用起来非常方便。只需要先创建一个数据预处理的transform,在其中存入需要进行的数据预处理方法,然后在数据加载的过程中,将transform作为参数传入即可。

 

随机处理与未随机处理的对比图如下:

 

 

3. 飞桨框架数据加载

 

paddle.io.Dataset与paddle.io.DataLoader是飞桨框架标准数据定义与数据加载方式,这俩“兄弟”相互使用,可以”一键”完成数据集的定义与数据的批加载或异步加载。

 

首先,我们来看一下自定义数据集。除了飞桨框架内置的数据集之外,更多的时候我们需要自己使用已有的相关数据来定义数据集,那幺这里我们通过一个案例来了解如何进行数据集的定义,飞桨为开发者提供了paddle.io.Dataset基类,让开发者通过类的集成来快速实现数据集定义。示例如下:

 

from paddle.io  import Dataset

 

class MyDataset (Dataset) :

 

“””

步骤一:继承paddle.io.Dataset类

 

def __init__ (self, mode= ‘train’ ) :

 

“””

步骤二:实现构造函数,定义数据读取方式,划分训练和测试数据集

 

super(MyDataset, self).__init__()

 

if mode ==  ‘train’ :

 

self.data = [

 

[ ‘traindata1’ ,  ‘label1’ ],

 

[ ‘traindata2’ ,  ‘label2’ ],

 

[ ‘traindata3’ ,  ‘label3’ ],

 

[ ‘traindata4’ ,  ‘label4’ ],

 

]

 

else :

 

self.data = [

 

[ ‘testdata1’ ,  ‘label1’ ],

 

[ ‘testdata2’ ,  ‘label2’ ],

 

[ ‘testdata3’ ,  ‘label3’ ],

 

[ ‘testdata4’ ,  ‘label4’ ],

 

]

 

def __getitem__ (self, index) :

 

“””

步骤三:实现__getitem__方法,定义指定index时如何获取数据,并返回单条数据(训练数据,对应的标签)

 

data = self.data[index][ 0 ]

 

label = self.data[index][ 1 ]

 

return data, label

 

def __len__ (self) :

 

“””

步骤四:实现__len__方法,返回数据集总数目

 

return len(self.data)

 

# 测试定义的数据集

 

train_dataset = MyDataset(mode= ‘train’ )

 

val_dataset = MyDataset(mode= ‘test’ )

 

print( ‘=============train dataset=============’ )

 

for data, label  in train_dataset:

 

print(data, label)

 

print( ‘=============evaluation dataset=============’ )

 

for data, label  in val_dataset:

 

print(data, label)

 

通过上述的方法,我们就实现了一个自己的数据集。然后,将train_dataset 与 val_dataset 作为参数,传入到DataLoader中,即可获得一个数据加载器,完成训练数据的加载。

 

PS:对于数据集的定义,飞桨框架同时支持map-style和interable-style两种类型的数据集定义,只需要分别继承paddle.io.Dataset和paddle.io.IterableDataset即可。

 

 

网络构建

 

 

在网络构建模块,飞桨高层API与基础API保持完全的一致,都使用paddle.nn下的API进行组网。这也是尽可能的减少需要暴露的概念,从而提升框架的易学性。飞桨框架  paddle.nn 目录下包含了所有与模型组网相关的API,如卷积相关的 Conv1D、Conv2D、Conv3D,循环神经网络相关的 RNN、LSTM、GRU 等。

 

对于组网方式,飞桨框架统一支持 Sequential 或 SubClass 的方式进行模型的组建。我们根据实际的使用场景,来选择最合适的组网方式。如针对顺序的线性网络结构我们可以直接使用 Sequential ,相比于 SubClass ,Sequential 可以快速的完成组网。

 

如果是一些比较复杂的网络结构,我们可以使用 SubClass 定义的方式来进行模型代码编写,在 __init__ 构造函数中进行 Layer 的声明,在 forward 中使用声明的 Layer 变量进行前向计算。通过这种方式,我们可以组建更灵活的网络结构。

 

下面就来分别介绍一下 Sequential 与 SubClass 的组网方式。

 

1. Sequential 的组网方式

 

使用 Sequential 进行组网的实现如下:

 

# Sequential形式组网

 

mnist = nn.Sequential(

 

nn.Flatten(),

 

nn.Linear(784, 512),

 

nn.ReLU(),

 

nn.Dropout(0.2),

 

nn.Linear(512, 10)

 

)

 

对于线性的网络模型,我们只需要按网络模型的结构顺序,一层一层的加到Sequential  后面即可,非常快速就可以完成模型的组建。

 

2. SubClass 的组网方式

 

使用 SubClass 进行组网的实现如下:

 

# SubClass方式组网

 

class Mnist ( nn . Layer ):

 

def __init__ ( self ) :

 

super (Mnist,  self ).__init_ _ ()

 

self .flatten = nn.Flatten()

 

self .linear_1 = nn.Linear( 784 ,  512 )

 

self .linear_2 = nn.Linear( 512 ,  10 )

 

self .relu = nn.ReLU()

 

self .dropout = nn.Dropout( 0 . 2 )

 

def forward ( self , inputs) :

 

y =  self .flatten(inputs)

 

y =  self .linear_1(y)

 

y =  self .relu(y)

 

y =  self .dropout(y)

 

y =  self .linear_2(y)

 

return

 

y

 

上述的SubClass 组网的结果与Sequential 组网的结果完全一致,可以明显看出,使用SubClass 组网会比使用Sequential 更复杂一些。不过,这带来的是网络模型结构的灵活性。我们可以设计不同的网络模型结构来应对不同的场景。

 

3. 飞桨框架内置模型

 

除了自定义模型结构外,飞桨框架还”贴心”的内置了许多模型,真正的一行代码实现深度学习模型。目前,飞桨框架内置的模型都是CV领域领域的模型,都在paddle.vision.models目录下,具体包含如下的模型:

 

视觉相关模型:[‘ResNet’, ‘resnet18’, ‘resnet34’, ‘resnet50’, ‘resnet101’, ‘resnet152’, ‘VGG’, ‘vgg11’, ‘vgg13’, ‘vgg16’, ‘vgg19’, ‘MobileNetV1’, ‘mobilenet_v1’, ‘MobileNetV2’, ‘mobilenet_v2’, ‘LeNet’]

 

 

模型训练

 

 

1. 使用高层API在全部数据集上进行训练

 

过去常常困扰深度学习开发者的一个问题是,模型训练的代码过于复杂,常常要写好多步骤,才能正确的使程序运行起来,冗长的代码使许多开发者望而却步。

 

现在,飞桨高层API将训练、评估与预测API都进行了封装,直接使用Model.prepare()、Model.fit()、Model.evaluate()、Model.predict()完成模型的训练、评估与预测。

 

对比传统框架动辄一大块的训练代码。使用飞桨高层API,可以在3-5行内,完成模型的训练,极大的简化了开发的代码量,对初学者开发者非常友好。具体代码如下:

 

# 将网络结构用 Model类封装成为模型

 

model = paddle.Model(mnist)

 

# 为模型训练做准备,设置优化器,损失函数和精度计算方式

 

model.prepare(optimizer=paddle.optimizer.Adam(parameters=model.parameters()),

 

loss=paddle.nn.CrossEntropyLoss(),

 

metrics=paddle.metric.Accuracy())

 

# 启动模型训练,指定训练数据集,设置训练轮次,设置每次数据集计算的批次大小,设置日志格式

 

model.fit(train_dataset,

 

epochs=10,

 

batch_size=64,

 

verbose=1)

 

# 启动模型评估,指定数据集,设置日志格式

 

model.evaluate(test_dataset, verbose=1)

 

# 启动模型测试,指定测试集

 

Model.predict(test_dataset)

 

2. 使用高层API在一个批次的数据集上训练、验证与测试

 

有时我们需要对数据按batch进行取样,然后完成模型的训练与验证,这时,可以使用 train_batch、eval_batch、predict_batch 完成一个批次上的训练、验证与测试,具体如下:

 

# 模型封装,用Model类封装

 

model = paddle.Model(mnist)

 

# 模型配置:为模型训练做准备,设置优化器,损失函数和精度计算方式

 

model.prepare(optimizer=paddle.optimizer.Adam(parameters=model.parameters()),

 

loss=nn.CrossEntropyLoss(),

 

metrics=paddle.metric.Accuracy())

 

# 构建训练集数据加载器

 

train_loader = paddle.io.DataLoader(train_dataset, places=paddle.CPUPlace(), batch_size= 64 , shuffle= True )

 

# 使用train_batch 完成训练

 

for batch_id, data  in enumerate(train_loader()):

 

model.train_batch([data[ 0 ]],[data[ 1 ]])

 

# 构建测试集数据加载器

 

test_loader = paddle.io.DataLoader(test_dataset, places=paddle.CPUPlace(), batch_size= 64 , shuffle= True )

 

# 使用 eval_batch 完成验证

 

for batch_id, data  in enumerate(test_loader()):

 

model.eval_batch([data[ 0 ]],[data[ 1 ]])

 

# 使用 predict_batch 完成预测

 

for batch_id, data  in enumerate(test_loader()):

 

0

 

]])

 

以上是飞桨高层API在常见任务中的使用方式,可以快速高效的完成模型的训练。

 

 

高阶用法

 

 

除此之外,飞桨高层API还支持一些高阶的玩法,如自定义Loss、自定义Metric、自定义Callback等。

 

1. 自定义Loss

 

有时我们会遇到特定任务的Loss计算方式在框架既有的Loss接口中不存在,或算法不符合自己的需求,那幺期望能够自己来进行Loss的自定义,我们介绍一下如何进行Loss的自定义操作,首先来看下面的代码:

 

class SelfDefineLoss (paddle.nn.Layer) :

 

“””

1. 继承paddle.nn.Layer

 

def __init__ (self) :

 

“””

2. 构造函数根据自己的实际算法需求和使用需求进行参数定义即可

 

super(SelfDefineLoss, self).__init__()

 

def forward (self, input, label) :

 

“””

3. 实现forward函数,forward在调用时会传递两个参数:input和label

– input:单个或批次训练数据经过模型前向计算输出结果

– label:单个或批次训练数据对应的标签数据

接口返回值是一个Tensor,根据自定义的逻辑加和或计算均值后的损失

 

# 使用Paddle中相关API自定义的计算逻辑

 

# output = xxxxx

 

# return output

 

那幺了解完代码层面如果编写自定义代码后我们看一个实际的例子,下面是在图像分割示例代码中写的一个自定义Loss,主要是想使用自定义的softmax计算维度。

 

class SoftmaxWithCrossEntropy ( paddle . nn . Layer ):

 

def __init__ ( self ) :

 

super (SoftmaxWithCrossEntropy,  self ).__init_ _ ()

 

def forward ( self , input, label) :

 

loss = F.softmax_with_cross_entropy(input,

 

label,

 

return_softmax=False,

 

axis= 1 )

 

return

 

paddle.mean(loss)

 

2. 自定义metric

 

和Loss一样,如果遇到一些想要做个性化实现的操作时,我们也可以来通过框架完成自定义的评估计算方法,由于这部分代码量过大,我们在后面的文章再来描述。对这部分内容感兴趣也可以到我们的官网文档中查看。

 

3. 自定义执行过程回调

 

这里我们简单介绍自定义Callback。fit接口的callback参数支持我们传一个Callback类实例,用来在每个epoch训练和每个batch训练前后进行调用,以此收集训练过程中的一些数据和参数,或者实现一些自定义操作。如对于模型保存而言,正常情况下,fit只会保存模型最后一次迭代的参数。然而实际情况中,往往我们需要保存多个模型,从中选择效果最好的那个。

 

这时,我们可以通过框架预定义的ModelCheckpoint回调函数,可以在fit训练模型时自动存储每轮训练得到的模型。

 

有时,我们需要保存模型训练过程中loss下降的信息,绘成图来分析网络模型的优化过程,这个在高层API中该如何实现呢?这时就需要上文提到的自定义Callback,我们只需要自定义与loss相关的Callback,然后保存loss信息,最后将其转化为图片即可。具体的实现过程如下:

 

# 自定义Callback 记录训练过程中的loss信息

 

class LossCallback ( paddle . callbacks . Callback ):

 

def on_train_begin ( self , logs={}) :

 

# 在fit前 初始化losses,用于保存每个batch的loss结果

 

self .losses = []

 

def on_train_batch_end ( self , step, logs={}) :

 

# 每个batch训练完成后调用,把当前loss添加到losses中

 

self .losses.append(logs.get( ‘loss’ ))

 

# 初始化一个loss_log 的实例,然后将其作为参数传递给fit

 

loss_log = LossCallback()

 

model.fit(train_dataset,

 

epochs= 10 ,

 

batch_size= 64 ,

 

callbacks=loss_log,

 

verbose= 1 )

 

# loss信息都保存在 loss_log.losses 中,可视化后得到下图

 

 

通过这样的方式,我们就可以将训练过程中的loss信息保存,然后可视化得到loss下降的曲线,根据loss下降的曲线,对模型进行下一步的优化迭代。

 

PS:除了loss外,飞桨框架还可以保存 “metrics” 等信息。

 

 

模型可视化

 

 

在我们完成模型的构建后,有时还需要可视化模型的网络结构与训练过程,来直观的了解深度学习模型与训练过程,方便我们更好地优化模型。飞桨框架高层API提供了一系列相关的API,来帮助我们可视化模型与训练过程,就让我们来看一下吧。

 

在飞桨框架中,对于我们组网的模型,只要我们用Model进行模型的封装后,只需要调用 model.summary 即可实现网络模型的可视化,具体如下:

 

mnist = nn.Sequential(

 

nn.Flatten(),

 

nn.Linear(784, 512),

 

nn.ReLU(),

 

nn.Dropout(0.2),

 

nn.Linear(512, 10)

 

)

 

# 模型封装,用Model类封装

 

model = paddle.Model(mnist)

 

model.summary()

 

其输出如下:

 

—————————————————————————

 

Layer ( type )       Input Shape          Output Shape         Param #

 

===========================================================================

 

Flatten -795 [[32, 1, 28, 28]] [ 32 ,  784 ]               0

 

Linear -5 [[32, 784]] [ 32 ,  512 ]            401 , 920

 

ReLU -3 [[32, 512]] [ 32 ,  512 ]               0

 

Dropout -3 [[32, 512]] [ 32 ,  512 ]               0

 

Linear -6 [[32, 512]] [ 32 ,  10 ]             5 , 130

 

===========================================================================

 

Total params:  407 , 050

 

Trainable params:  407 , 050

 

Non-trainable params:  0

 

—————————————————————————

 

Input size (MB):  0.10

 

Forward/backward pass size (MB):  0.57

 

Params size (MB):  1.55

 

Estimated Total Size (MB):  2.22

 

—————————————————————————

{
‘total_params’ :
407050 ,
‘trainable_params’

407050

 

}

 

不仅会给出每一层网络的形状,还会给出每层网络的参数量与模型的总参数量,非常方便直观的就可以看到模型的全部信息。

 

上文以CV任务为例,介绍了飞桨框架高层API的使用指南。后续,飞桨框架还计划推出NLP领域专用的数据预处理模块,如对数据进行padding、获取数据集词表等;在组网方面,也会实现NLP领域中组网专用的API,如组网相关的sequence_mask,评估指标相关的BLEU等;最后,针对NLP领域中的神器transformer,我们也会对其进行特定的优化;待这些功能上线后,我们会第一时间告诉大家,敬请期待吧~

 

 

总结一下

 

 

综上所述,大家不难发现,百度飞桨提供的高层API,不仅提供了完备易用的API体系,还在兼容历史版本的API的同时,给开发者提供了更加科学、高低融合的全新API体系,让开发者进行深度学习应用的开发变得更加容易。

 

 

体验一把

 

 

看完前面飞桨高层API的使用介绍,是不是有种跃跃欲试的冲动呀?

 

体验方式一:在线体验

 

无需准备任何软硬件环境,直接访问以下地址,即可在线跑代码看效果:

 

https://aistudio.baidu.com/aistudio/projectdetail/1243085

 

体验方式二:本地体验

 

如果你还想在自己本地电脑上体验,那需要确保本地电脑上已成功安装飞桨开源框架2.0。

 

下面介绍飞桨开源框架2.0的安装方法,可以参考下面的命令,直接使用pip安装。安装后,就可以开始使用高层API啦。

 

# CPU版

 

$ pip3 install paddlepaddle== 2.0.0 rc0

 

-i https: //mirror.baidu.com/pypi/simple

 

# GPU版

$ pip3 install paddlepaddle_gpu==
2.0.0

//mirror.baidu.com/pypi/simple

 

 

写在最后

 

 

本次飞桨开源框架2.0高层API相当简单易用了。更难得的是,百度飞桨开源框架近期还会针对高层API推出一系列教程——跟着雨哥学AI,该课程由多位资深飞桨工程师精心打造,真的是诚意满满。对于刚上手深度学习的人来说,这就是最佳的学习材料。不管是自学,还是用于开发,都是极好的。

 

教程链接:

 

https://aistudio.baidu.com/aistudio/personalcenter/thirdview/564527

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注