PaddlePaddle

目录 图形化任务说明 创建图形化任务 图形化任务预览 预置算法部署后调用参数样例 4.1 线性回归的请求及返回说明 4.2 逻辑回归的请求及返回说明 4.3 图像分类的请求及返回说明 4.4 目标检测的请求及返回说明 内置数据集说明及下载地址 图形化任务说明 图形化任务旨在使用图形拖拽的方式来设计并训练模型, 并可进行快速部署. 同时还可以生成对应的源码. 最终达成"先实现, 再学习"的目的. 有效提高开发者的效率. 图形化任务使用GPU集群作为支撑, 具有实时高速的并行计算和浮点计算能力. 该功能目前属于Beta版本. 仅对受邀用户开放试用. 创建图形化任务 点击创建项目, 然后在"配置资源"中选择"图形化任务", 然后填写必要信息后, 点击"创建" 图形化任务预览 创建成功后, 可以进入项目的预览页面. 预览页面除了项目基本信息外, 可以切换设计器视图和代码视图. 设计器视图预览: 代码视图预览: 进入编辑项目的界面: 左侧为工具箱, 可以从工具箱向中央画布拖入各种组件: 当前工具箱内为算法, 数据, 训练, 测试4类: 算法: 数据: 训练: 测试: 当前尚不支持自定义控件. 近期会予以支持. 最终构建成完成的网络: 构建完成后可以启动训练: 此时左侧工具箱已经锁定, 下方开始输出日志: 点击"任务列表", 也可以查看当前任务的状态 正式部署: 当运行完成后点击上方"部署

深度学习高端人才不仅是AI发展的重要养分，也是企业转型AI巨大推动力。2019年1月19日，百度黄埔学院——深度学习架构师培养计划在百度科技园举行开学典礼，深度学习技术及应用国家工程实验室副主任、百度AI技术平台体系执行总监吴甜，中国信息通信研究院副总工史德年，中国软件行业协会常务副秘书长陈宝国出席了典礼。吴甜表示，百度希望能帮助业界培养第一批“首席AI架构师”。 35位来自业界的高端深度学习人才作为“黄埔学院”首期学员，迎来第一课，与20余位担当导师的百度重量级科学家和技术负责人享受“AI知识盛宴”，中国深度学习第一核心技术圈初现雏形。 深度学习“人才荒”，培养稀缺人才正当时 近年来，中国的发展已经从高速增长向高质量发展转变，从粗放型增长向创新驱动增长转变，史德年表示，“在人工智能浪潮席卷全球的当下，深度学习作为核心技术，对于企业向AI转型的重要性不言而喻。”深度学习作为人工智能发展的重要一环，能让人工智能技术更快速地普及到各行各业，推动融合创新，推动经济、社会和文化等变革。 然而，据领英大数据显示，全球AI人才整体供给在340万人左右，而其中深度学习人才仅9.5万人，且流动性较大，进一步加大了缺口。 陈宝国谈到，软件将会成为人类社会的基础设施，应用软件的人才也是关键。2018年7月，中国软件行业协会就发布了国内首个AI产业专业技术人才培养标准——《深度学习工程师能力评估标准》

3月9日，首期黄埔学院第二次课程正式开课，将深度学习人才培养推进到理论与实战全方位结合的新层次。百度深度学习技术平台部总监马艳军等一众AI技术大牛对【人工智能技术及目前最新研究成果】进行了体系化的讲解。同时，35位学员即企业深度学习业务决策人针对企业真实业务需求进行了开题报告，开启通往‘首席AI 架构师’的实战之旅。 深度学习顶尖导师轮番授课 黄埔学院是由国家深度学习技术及应用国家工程实验室和百度联合发起创办的深度学习架构师培养计划。据领英大数据显示，全球AI 人才整体供给在340万人左右，深度学习人才仅9.5万人，且流动性较大，而其中高端人才缺口则更为庞大。2019年1月19日，百度黄埔学院——深度学习架构师培养计划在百度科技园举行开学典礼。百度AI技术平台体系执行总监吴甜表示，通过“黄埔学院”，百度希望帮助业界培养第一批首席AI架构师。 学院的师资力量十分雄厚，第一次课程上自然语言处理领域科学家，经验主义方法的奠基人之一Kenneth Church等多位顶尖科学家和业界大咖，给学员们带来一场“AI盛宴”。第二次课程依旧是大师云集，百度深度学习技术平台部总监马艳军、百度机器人与自动驾驶实验室主任杨睿刚、百度研究院访问教授杨易等纷纷登场，解析了包括深度学习框架PaddlePaddle、视觉、自动驾驶、NLP等多项百度核心AI技术及典型案例。其中，智能化视频分析技术方面

Paddle Lite为Paddle-Mobile的升级版，定位支持包括手机移动端在内更多场景的轻量化高效预测，支持更广泛的硬件和平台，是一个高性能、轻量级的深度学习预测引擎。在保持和PaddlePaddle无缝对接外，也兼容支持其他训练框架产出的模型。 完整使用文档位于 PaddleLite 文档 。 特性 轻量级 执行阶段和计算优化阶段实现良好解耦拆分，移动端可以直接部署执行阶段，无任何第三方依赖。 包含完整的80个 Op+85个 Kernel 的动态库，对于ARMV7只有800K，ARMV8下为1.3M，并可以裁剪到更低。 在应用部署时，载入模型即可直接预测，无需额外分析优化。 高性能 极致的 ARM CPU 性能优化，针对不同微架构特点实现kernel的定制，最大发挥计算性能，在主流模型上展现出领先的速度优势。 支持INT8量化计算，结合 PaddleSlim 模型压缩工具 中 INT8量化训练功能，可以提供高精度高性能的预测能力。 在Huawei NPU， FPGA上也具有有很好的性能表现。 最新 Benchmark 位于 benchmark 。 通用性 硬件方面，Paddle Lite 的架构设计为多硬件兼容支持做了良好设计。除了支持ARM CPU、Mali GPU、Adreno GPU，还特别支持了华为 NPU，以及 FPGA 等边缘设备广泛使用的硬件

PaddlePaddle入门 为了尽快上手，选择了Docker模式。 1.通过虚拟机安装安装Centos 7操作系统。 2.安装Docker 新的操作系统一条语句就OK了。 $ sudo yum install docker 3.选择适合的PaddlePaddle版本，https://www.paddlepaddle.org.cn/install/quick 4.一句命令就可以了。 docker pull hub.baidubce.com/paddlepaddle/paddle:1.7.0 5.创建容器 docker run --name paddle -it -v $PWD:/paddle hub.baidubce.com/paddlepaddle/paddle:1.7.0 /bin/bash 6.未来再进入时，需要先启动容器 docker ps -a #查看容器ID docker start 容器ID 再进入容器 docker exec -it 容器ID bash 来源： CSDN 作者： 流星的轨迹 链接： https://blog.csdn.net/qqtt2008/article/details/104599661

近日，国际顶会ACL官网披露大会议程，由百度领衔，联合Google、Facebook、Upenn、清华大学等海内外顶尖企业及高校专家们共同申办的首届同声传译研讨会（The 1st Workshop on Automatic Simultaneous Translation），将在自然语言处理领域国际顶级学术会议ACL 2020中召开。ACL 2020定于今年7月5日至10日在美国华盛顿州西雅图举行。 研讨会期间， 百度还将举办国际首届同传评测 ，以进一步促进技术交流与发展。 ​ 众所周知，国际计算语言学协会(ACL，The Association for Computational Linguistics)成立于1962年，是自然语言处理领域影响力最大、最具活力的国际学术组织之一，自成立之日起，致力于推动计算语言学及自然语言处理相关研究的发展和国际学术交流。 ​ 同声传译历来是自然语言处理领域的经典课题，是指在不打断演讲者的条件下，将讲话内容不间断地、实时地翻译给听众的一种翻译方式，广泛应用于国际会议、外交谈判、商务会谈等重要场合。 近年来，随着人工智能相关技术的进步，结合了机器翻译（MT）、语音识别（ASR）和语音合成（TTS）等技术的机器同传（Simultaneous Translation，ST）成为领域前沿。其中，既有技术上的突破，如集成预测和可控时延的同传模型

自百度开源业界首个口罩人脸检测及分类模型之后，开发者社区进行了充分讨论并提出了该模型存在的一些问题和不足。在本文中，百度飞桨官方对这些反馈积极回应，同时提出四大升级方案，为开发者一一解惑。 2月13日《 百度开源业内首个口罩人脸检测及分类模型 》文章中介绍，该模型可以有效检测在密集人流区域中携带和未携戴口罩的所有人脸，同时判断是否佩戴口罩。 由于目前正值很多企业复工，口罩检测对于后续复工的安全性毋庸置疑，文章一经发出，在开发者社区引起巨大反响，截至目前发稿，百度飞桨官方技术交流 QQ 群已经达到人数上限，再加入的同学，只能加入新群。 在技术讨论群里，广大开发者针对口罩人脸检测与分类模型的技术应用展开了充分的讨论，有些开发者实战反馈，模型在实际场景下还是有一些提升空间。 比如这样，一张神秘形状的纸被判断为口罩， ​ 再比如这样的，一个销魂的手指挡住了口鼻， ​ 除了 badcase 本身，很多开发者还遇到了各种各样的问题，比如实际的环境很复杂，中远景模型效果还不错，但是近景就会不太理想。还有的是监控摄像头的像素分辨率，也会带来不同的判断结果。同时，更多的需求也反馈出来： 能不能开放模型的一些接口出来？ 在 PC 端，除了 python 部署，有没有高性能的 C++部署教程呀？ 如果想做视频流的检测，应该怎么办呀？ 需求很多，百度飞桨给出的答案是肯定的。 作为开源开放的深度学习平台

【飞桨开发者说】文瑞洁，中科院信工所工程师，主要研究领域：深度学习、自然语言处理。 本实验代码已在AI Studio公开，访问链接进入： https://aistudio.baidu.com/aistudio/projectdetail/263255 社交媒体的发展在加速信息传播的同时，也带来了虚假谣言信息的泛滥，往往会引发诸多不安定因素，并对经济和社会产生巨大的影响。 2016年美国总统大选期间，受访选民平均每人每天接触到4篇虚假新闻，虚假新闻被认为影响了2016年美国大选和英国脱欧的投票结果；近期，在新型冠状病毒感染的肺炎疫情防控的关键期，在全国人民都为疫情揪心时，网上各种有关疫情防控的谣言接连不断，从“广州公交线路因新型冠状病毒肺炎疫情停运”到“北京市为防控疫情采取封城措施”，从“钟南山院士被感染”到“10万人感染肺炎”等等， 这些不切实际的谣言，“操纵”了舆论感情，误导了公众的判断，更影响了社会稳定 。 人们常说“流言止于智者”，要想不被网上的流言和谣言盅惑、伤害，首先需要对其进行科学甄别，而时下人工智能正在尝试担任这一角色。那么，在打假一线AI技术如何做到去伪存真？ 传统的谣言检测模型一般根据谣言的内容、用户属性、传播方式人工地构造特征，而人工构建特征存在考虑片面、浪费人力等现象。本次实践使用基于循环神经网络（RNN）的谣言检测模型，将文本中的谣言事件向量化

自百度开源业界首个口罩人脸检测及分类模型之后，开发者社区进行了充分讨论并提出了该模型存在的一些问题和不足。在本文中，百度飞桨官方对这些反馈积极回应，同时提出四大升级方案，为开发者一一解惑。 2月13日《 百度开源业内首个口罩人脸检测及分类模型 》文章中介绍，该模型可以有效检测在密集人流区域中携带和未携戴口罩的所有人脸，同时判断是否佩戴口罩。 由于目前正值很多企业复工，口罩检测对于后续复工的安全性毋庸置疑，文章一经发出，在开发者社区引起巨大反响，截至目前发稿，百度飞桨官方技术交流 QQ 群已经达到人数上限，再加入的同学，只能加入新群。 在技术讨论群里，广大开发者针对口罩人脸检测与分类模型的技术应用展开了充分的讨论，有些开发者实战反馈，模型在实际场景下还是有一些提升空间。 比如这样，一张神秘形状的纸被判断为口罩， ​ 再比如这样的，一个销魂的手指挡住了口鼻， ​ 除了 badcase 本身，很多开发者还遇到了各种各样的问题，比如实际的环境很复杂，中远景模型效果还不错，但是近景就会不太理想。还有的是监控摄像头的像素分辨率，也会带来不同的判断结果。同时，更多的需求也反馈出来： 能不能开放模型的一些接口出来？ 在 PC 端，除了 python 部署，有没有高性能的 C++部署教程呀？ 如果想做视频流的检测，应该怎么办呀？ 需求很多，百度飞桨给出的答案是肯定的。 作为开源开放的深度学习平台

本案例参考课程：百度架构师手把手教深度学习的内容。 主要目的为练习vgg动态图的PaddlePaddle实现。 本案例已经在AISTUDIO共享，链接为： https://aistudio.baidu.com/aistudio/projectdetail/244766 数据集iChallenge-PM： 数据集图片 iChallenge-PM中既有病理性近视患者的眼底图片，也有非病理性近视患者的图片，命名规则如下： 病理性近视（PM）：文件名以P开头 非病理性近视（non-PM）： 高度近似（high myopia）：文件名以H开头 正常眼睛（normal）：文件名以N开头 我们将病理性患者的图片作为正样本，标签为1； 非病理性患者的图片作为负样本，标签为0。从数据集中选取两张图片，通过LeNet提取特征，构建分类器，对正负样本进行分类，并将图片显示出来。 算法： VGG VGG是当前最流行的CNN模型之一，2014年由Simonyan和Zisserman提出，其命名来源于论文作者所在的实验室Visual Geometry Group。AlexNet模型通过构造多层网络，取得了较好的效果，但是并没有给出深度神经网络设计的方向。VGG通过使用一系列大小为3x3的小尺寸卷积核和pooling层构造深度卷积神经网络，并取得了较好的效果。VGG模型因为结构简单、应用性极强而广受研究者欢迎