PaddlePaddle

目录 解决的问题 解决的方法 解决的问题 runfile('F:/python_project/test1011.py', wdir='F:/python_project') Traceback (most recent call last): File "<ipython-input-29-b0ebce07bf1f>", line 1, in <module> runfile('F:/python_project/test1011.py', wdir='F:/python_project') File "d:\ProgramData\Anaconda3\lib\site-packages\spyder_kernels\customize\spydercustomize.py", line 827, in runfile execfile(filename, namespace) File "d:\ProgramData\Anaconda3\lib\site-packages\spyder_kernels\customize\spydercustomize.py", line 110, in execfile exec(compile(f.read(), filename, 'exec'), namespace) File "F:/python_project/test1011

我想做的，是通过“ NN、 LeNet、 AlexNet、 VGGNet、 GoogleNet”的基本结构的实现，强化基础。 首先是资料的整理，然后是计划的提出。这里的基础学习是第一部分，后面我才能提出更详细准确的计划。在实现的过程中，不仅是juypter，我希望能够有原生代码，因为我需要做落地的。 然后，结合着paddle上的视频，特别是charlott77的视频来学习，并且做相应笔记。 easydl https://ai.baidu.com/easydl/app/overview 0217-0223 【深度学习系列】PaddlePaddle之手写数字识别 （10.23更新）这篇文章是开篇，重点在于手写网络，搞懂其中每一个部分。我需要补强Python方面能力，然后重现这里的例子。我应该是在PaddlePaddle和tf.keras上同步来做。 【深度学习系列】卷积神经网络CNN原理详解(一)——基本原理 （11.1更新） 【深度学习系列】PaddlePaddle之数据预处理 （11.8更新） 【深度学习系列】卷积神经网络详解(二)——自己手写一个卷积神经网络 (11.22更新) 0224-0301 【深度学习系列】用PaddlePaddle和Tensorflow进行图像分类 (11.29更新) 0302-0308 【深度学习系列

paddlepaddle安装 使用默认仓库下载 #查看当前的channels conda config - - show channels channels : - https : // mirrors . tuna . tsinghua . edu . cn / anaconda / cloud / Paddle / ( 这个是后面加上才有得 ) - https : // mirrors . tuna . tsinghua . edu . cn / anaconda / pkgs / main / - https : // mirrors . tuna . tsinghua . edu . cn / anaconda / pkgs / free / - defaults 目前在win10上的Anaconda环境下创建的py3.6中安装paddlepaddle anaconda search -t conda paddlepaddle 查找版本，查找结果如下图： anaconda show Paddle/paddlepaddle 显示出查询到的某一版本具体信息：详细信息如下图： conda install --channel https://conda.anaconda.org/Paddle paddlepaddle 安装对应的版本 # 因为我的conda 版本有一点低显示 #

（以自己认知的方式学习DL。 注：下文基本上都是百度PaddlePaddle培训内容） 人工智能＼机器学习和深度学习的概念及关系 人工智能、机器学习和深度学习的概念在近些年十分火热，但很多从业者也难以说清它们之间的关系，外行人更是雾里看花。学习深度学习，需要先从三个概念的正本清源开始。 三者覆盖的技术范畴是逐层递减的， 人工智能是最宽泛的概念，机器学习则是实现人工智能的一种方式 ，也是目前较有效的方式。 深度学习是机器学习算法中最热的一个分支 ，在近些年取得了显著的进展，并代替了多数传统机器学习算法。所以，三者的关系可用下图表示，人工智能 > 机器学习 > 深度学习。 图1：人工智能、机器学习和深度学习三者之间的概念范围 如字面含义，人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的科学。由于这个定义只阐述了目标，而没限定方法。所以，实现人工智能存在的诸多方法和分支，导致其变成一个“大杂烩”式的学科。 与此不同，机器学习，尤其是监督学习则有更加明确的指代。 机器学习是专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能 。这句话有点“云山雾罩”的感觉，让人不知所云。 下面以“机器从牛顿第二定律实验中学习知识”为案例，让读者深入理解下机器学习（监督学习）到底是怎样的一种技术方法

（以自己的方式来理解DL。 注：下文基本上都是百度PaddlePaddle培训内容） 1）人工智能＼机器学习和深度学习的概念及关系 人工智能、机器学习和深度学习的概念在近些年十分火热，但很多从业者也难以说清它们之间的关系，外行人更是雾里看花。学习深度学习，需要先从三个概念的正本清源开始。 三者覆盖的技术范畴是逐层递减的， 人工智能是最宽泛的概念，机器学习则是实现人工智能的一种方式 ，也是目前较有效的方式。 深度学习是机器学习算法中最热的一个分支 ，在近些年取得了显著的进展，并代替了多数传统机器学习算法。所以，三者的关系可用下图表示，人工智能 > 机器学习 > 深度学习。 图1：人工智能、机器学习和深度学习三者之间的概念范围 如字面含义，人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的科学。由于这个定义只阐述了目标，而没限定方法。所以，实现人工智能存在的诸多方法和分支，导致其变成一个“大杂烩”式的学科。 与此不同，机器学习，尤其是监督学习则有更加明确的指代。 机器学习是专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 这句话有点“云山雾罩”的感觉，让人不知所云。 下面以“机器从牛顿第二定律实验中学习知识”为案例，让读者深入理解下机器学习（监督学习）到底是怎样的一种技术方法

一、 环境准备 Windows 7/8/10 专业版/企业版 (64bit) (GPU版本支持CUDA 9.0/10.0，且仅支持单卡) Python 版本 2.7.15+/3.5.1+/3.6/3.7 (64 bit) pip 或 pip3 版本 9.0.1+ (64 bit) 二、注意事项 确认需要安装 PaddlePaddle 的Python 到指定的位置。 操作为： （1）用win按键+R打开运行输入cmd打开命令窗口 （2）输入命令：where python 如果您是使用 Python 3，使用以下命令为：where python3 确认python的版本是否满足要求： 如果您是使用 Python 2，使用以下命令：python --version 确认版本是 2.7.15+ 如果您是使用 Python 3，使用以下命令：python3 --version 确认版本是 3.5.1+/3.6/3.7 需要确认pip的版本是否满足要求，要求pip版本为9.0.1+ 如果您是使用 Python 2 python -m ensurepip python -m pip --version 如果您是使用 Python 3 python3 -m ensurepip python3 -m pip --version 需要确认Python和pip是64bit，并且处理器架构是x86_64

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 通过预训练模型进行图像的自动抠图及整合。 代码已经共享在AIStudio上，链接： https://aistudio.baidu.com/aistudio/projectdetail/242887 模型概述 DeepLabv3+ 是Google DeepLab语义分割系列网络的最新作，其前作有 DeepLabv1，DeepLabv2, DeepLabv3。在最新作中，作者通过encoder-decoder进行多尺度信息的融合，同时保留了原来的空洞卷积和ASSP层， 其骨干网络使用了Xception模型，提高了语义分割的健壮性和运行速率，在 PASCAL VOC 2012 dataset取得新的state-of-art performance。该PaddleHub Module使用百度自建数据集进行训练，可用于人像分割，支持任意大小的图片输入。 命令行预测示例 $ hub run deeplabv3p_xception65_humanseg --input_path "/PATH/TO/IMAGE" $ hub run deeplabv3p_xception65_humanseg --input_file test.txt test.txt 存放待分割图片的存放路径 API def segmentation

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 1、简介： 1.1 什么是EasyDL专业版 EasyDL专业版是EasyDL在2019年10月下旬全新推出的针对AI初学者或者AI专业工程师的企业用户及开发者推出的AI模型训练与服务平台，目前支持视觉及自然语言处理两大技术方向，内置百度海量数据训练的预训练模型，可灵活脚本调参，只需少量数据可达到优模型效果。 适用人群 专业AI工程师且追求灵活、深度调参的企业或个人开发者 支持定制模型类型 支持视觉及自然语言处理两大技术方向 视觉：支持图像分类及物体检测两类模型训练 任务类型 预置算法 图像分类 Resnet(50,101)、Se_Resnext(50,101)、Mobilenet Nasnet 物体检测 FasterRCNN、YoloV3、mobilenetSSD 自然语言处理：支持文本分类及短文本匹配两类模型训练，内置百度百亿级数据所训练出的预训练模型ENNIE. ERNIE(艾尼）是百度自研持续学习语义理解框架，该框架可持续学习海量数据中的知识。基于该框架的ERNIE2.0预训练模型，已累计学习10亿多知识，中英文效果全面领先，适用于各类NLP应用场景。 任务类型 预置网络 文本分类 BOW、CNN、GRU、TextCNN、LSTM、BiLSTM 短文本匹配 SimNet(BOW、CNN、GRU、LSTM

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 活动当天，百度AI技术生态部总经理喻友平，就百度大脑平台与生态进行了全面的详解，同时展示了百度大脑开放平台Q1核心升级内容，包括语音技术、视觉技术、自然语言处理、知识图谱等通用AI能力的新近推出，以及开源深度学习框架方面的优化升级，更有多个应用场景案例与大家分享，可谓干货满满，广受前来参加活动的开发者与媒体们欢迎与称赞。 1 PaddlePaddle：用深度学习赋能智能+的方方面面 1、业界首个视频分类模型库： 新增视频模型库，提供5个视频分类经典模型以及适合视频分类任务的通用骨架代码，用户可一键式高效配置模型完成训练和评测。视频理解权威竞赛ActivityNet - Kinetics视频动作识别任务冠军方法stNet的resnet50版本开源实现。 2、基于PaddlePaddle的BERT多机多卡和混合精度训练。 新增支持NLP语义表示BERT模型，支持多机多卡训练，支持混合精度训练，训练速度对比主流实现提升50%+，提供完整部署示例。 3、分布式训练性能大幅提升： 大规模稀疏参数服务器Benchmark发布， CPU多机异步训练发布显著提升点击率预估任务IO吞吐的built-in reader，多机多卡训练性能多方面提升。 并推出业界领先的深度强化学习框架PARL1.0。据喻友平介绍

导读：飞桨（PaddlePaddle）致力于让深度学习技术的创新与应用更简单。为了让更多的开发者了解飞桨的最近技术进展，特别组织了系列技术稿件，视频来源于2019 WaveSummit秋季深度学习开发者峰会上的技术公开课。 本期是由百度飞桨资深研发工程师为大家带来图像检测库PaddleDetection深度解析与应用，敬请观看。 点击此处可查看视频 视频关键知识点Notes： PaddleDetection为百度结合科研和业务需求所构建的一套目标检测库。主要有四个特点：一是模块化设计；二是模型丰富；三是高性能；四是工业级部署。整体全景图如下图所示： 依据于检测算法的工作流程划分为几个相对独立子模块，如Backbone主干网络、AnchorHead、RoIExtract、RoIHead等，再加上优化器、数据模块可以非常方便开发者组合使用。同时在应用层提供了训练、评估和推理、以及模型压缩的API。一般来说，用户只需要调用API和配置文件即可快速开始。 在算法层面，PaddleDetection支持了目前常用的主流检测算法，，单阶段检测算法包括： SSD, RetinaNet, YOLOv3, 两阶段检测算法包括：Faster-RCNN,Mask-RCNN, Cascade-RCNN，支持两阶段的FPN。在主干网、数据增强、在预训练模型方面，都提供了很好的支持。