PaddlePaddle

开篇 深度学习技术是目前非常热门的技术，笔者在闲暇之余决定学习一下这门技术，入门选择了百度开源的PaddlePaddle框架。 paddlepaddle介绍 飞桨(PaddlePaddle) 是国际领先的端到端开源深度学习平台，集深度学习训练和预测框架、模型库、工具组件和服务平台为一体，拥有兼顾灵活性和高性能的开发机制、工业级的模型库、超大规模分布式训练技术、高速推理引擎以及系统化的社区服务等五大优势，致力于让深度学习技术的创新与应用更简单。 摘自百度百科，更多内容可查看百度 https://baike.baidu.com/item/%E9%A3%9E%E6%A1%A8/23472642?fromtitle=PaddlePaddle&fromid=20110894&fr=aladdin 环境准备 验证环境是否支持AVX指令集 if cat /proc/cpuinfo | grep -i avx; then echo Yes; else echo No; fi 默认安装的PaddlePaddle是支持AVX指令集版本，在终端输入上述命令，输出“Yes”表示支持，输出“No”表示不支持。 Ubuntu环境 # 命令 cat /proc/version 终端输出 Linux version 5.0.0-29-generic (buildd@lgw01-amd64-039) (gcc

PaddlePaddle作为国内首个深度学习框架，最近发布了更加强大的Fluid1.2版本, 增加了对 Windows 环境的支持，全面支持了Linux、Mac、 Windows三大环境。 PaddlePaddle在功能完备的基础上，也尽量秉承易学易用的特点，在Windows的安装方面，体现了一键式的特点，大部分情况下，只需要一条简单的命令就可以完成安装。 PaddlePaddle目前支持Windows7,8,10系列的专业和企业版本，且只支持64位的操作系统。 PaddlePaddle目前支持的Python版本覆盖了2.7,3.5,3.6,3.7版本，基本上包含了目前主流使用的所有python版本 在线安装PaddlePaddle pip install --target=F:\PaddlePaddle paddlepaddle --target 指定安装目录 离线安装PaddlePaddle https://mp.weixin.qq.com/s/1xMTMAbQSctvyfDyRJVRsA 自行查看相关文章 安装进行中 安装完成 安装是否成功检测 >>> import paddle.fluid >>> print(paddle.__version__) 1.2.0 来源： oschina 链接： https://my.oschina.net/u/1444646/blog

PaddlePaddle于近期开源了基于会话（session-based）的推荐系统模型（SR-GNN）。 相较于之前通过循环神经网络（RNN）来对会话进行序列化建模导致的不能够得到用户的精确表征以及忽略了items中复杂的转换特性，SR-GNN通过将序列化的问题转换为图的问题，对所有的会话序列通过有向图进行建模，然后通过图神经网络（GNN）来学习每个item的隐向量表示，进而通过一个注意力网络（Attention Network）架构模型来捕捉用户的短期兴趣，以达到捕获长期与短期兴趣共存的向量表示。 SR-GNN模型明显优于一些最先进的基于会话的推荐方法。 项目地址： https://github.com/PaddlePaddle/models/tree/develop/PaddleRec/gnn 应用背景 随着互联网上信息量的快速增长，推荐系统能够帮助用户缓解信息过载的问题，进而有效帮助用户在众多Web应用程序中（比如：搜索、电子商务、媒体流网站等）选择自己感兴趣的信息。大多数现有的推荐系统都假设一个前提：用户画像（user profile）和历史活动信息是被不断记录的。 然而实际上，在许多服务中，用户的信息可能是未知的，并且只有处于当前正在进行的会话中的用户历史行为可用。 因此，在一个会话中，能对有限的行为进行建模并相应地生成推荐是非常重要的。但是在这种场景下

来源商业新知网，原标题：基于会话的最优推荐模型：SR-GNN的PaddlePaddle实现 百度深度学习平台PaddlePaddle于近期开源了基于会话（session-based）的推荐系统模型（SR-GNN）。 相较于之前通过循环神经网络（RNN）来对会话进行序列化建模导致的不能够得到用户的精确表征以及忽略了items中复杂的转换特性，SR-GNN通过将序列化的问题转换为图的问题，对所有的会话序列通过有向图进行建模，然后通过图神经网络（GNN）来学习每个item的隐向量表示，进而通过一个注意力网络（Attention Network）架构模型来捕捉用户的短期兴趣，以达到捕获长期与短期兴趣共存的向量表示。 SR-GNN模型明显优于一些最先进的基于会话的推荐方法。 项目地址：https://github.com/PaddlePaddle/models/tree/develop/PaddleRec/gnn 应用背景 随着互联网上信息量的快速增长，推荐系统能够帮助用户缓解信息过载的问题，进而有效帮助用户在众多Web应用程序中（比如：搜索、电子商务、媒体流网站等）选择自己感兴趣的信息。大多数现有的推荐系统都假设一个前提：用户画像（user profile）和历史活动信息是被不断记录的。 然而实际上，在许多服务中，用户的信息可能是未知的，并且只有处于当前正在进行的会话中的用户历史行为可用。

https://www.toutiao.com/a6690696657228530187/ 2019-05-14 10:00:09 本文转载自百度 PaddlePaddle 百度深度学习平台PaddlePaddle于近期开源了基于会话（session-based）的推荐系统模型（SR-GNN）。 相较于之前通过循环神经网络（RNN）来对会话进行序列化建模导致的不能够得到用户的精确表征以及忽略了items中复杂的转换特性，SR-GNN通过将序列化的问题转换为图的问题，对所有的会话序列通过有向图进行建模，然后通过图神经网络（GNN）来学习每个item的隐向量表示，进而通过一个注意力网络（Attention Network）架构模型来捕捉用户的短期兴趣，以达到捕获长期与短期兴趣共存的向量表示。 SR-GNN模型明显优于一些最先进的基于会话的推荐方法。 项目地址：https://github.com/PaddlePaddle/models/tree/develop/PaddleRec/gnn 应用背景 随着互联网上信息量的快速增长，推荐系统能够帮助用户缓解信息过载的问题，进而有效帮助用户在众多Web应用程序中（比如：搜索、电子商务、媒体流网站等）选择自己感兴趣的信息。大多数现有的推荐系统都假设一个前提：用户画像（user profile）和历史活动信息是被不断记录的。 然而实际上

本次比赛赛题是进行人流密度的估计，因为之前看过很多人体姿态估计和目标检测的论文，隐约感觉到可以用到这次比赛上来，所以趁着现在时间比较多，赶紧报名参加了一下比赛，比赛规定用paddlepaddle来进行开发，所以最近几天先学习一下paddlepaddle的相关流程，在这里记录一下，也好让自己真正的能够学到东西。 在我看来，设计一个深度学习网络（主要是基于CNN的，其他的没怎么接触），主要有以下几方面： 数据的读取（这里主要是图片数据和它的“标签”）。 数据的预处理（包含数据集增强和你需要的操作）。 如何将你的数据送入网络。 网络结构的设计（layer的使用）。 损失函数的计算（这部分是根据你的任务决定的）。 优化器的选择（我想一般是adam吧） 这里 有一篇博客分享了各种优化算法的不同。 模型的存储以及加载（加载这部分其实挺重要的，之前看过一篇论文说应用ImageNet上预训练的模型进行迁移学习，往往能在新的任务上取得更好的效果，当然也不是绝对的）。 如何进行测试（可以说就是如何进行前向传播）。 可选：可视化。 接下来就以上几部分进行学习，在次非常感谢 Charlotte77 和 夜雨飘零1 。他们的博文给予了我莫大的帮助，向大佬叩首。 对于本次比赛来说，我的数据是图片（各种监控的图片，大小不同），标注是json格式的文件

有时候需要修改数据集大小，使用 paddlepaddle 如何修改呢？ paddlepaddle 官方提供的shuffle方法可以做到： paddle.reader.shuffle(reader, buf_size) Parameters: reader ( callable reader whose output will be shuffle d. buf_size ( int shuffle buffer size. 其中，buf_size即可以调整你所需要灌入模型的输入数据集大小。 参考 ：paddlepaddle paddle.reader.shuffle() paddlepaddle 文章来源: paddle.reader.shuffle() 修改数据集大小的方法

导读： 在人工智能时代，各行各业都在尝试利用机器学习/深度学习等前沿技术来解决自身的业务需求，深度学习框架也应运而生。为了继续帮助AI开发者们在深度学习的道路上快速升级，百度PaddlePaddle于2019年重磅启动系列技术公开课“PaddlePaddle TechDay”。 2019年1月5日，第一期活动于北京中关村创业大街百度大脑创新体验中心展开，秉承着“技术为先，应用至上”的理念，百度邀请深度学习技术平台主任工程师胡晓光和高级算法工程师、百度认证布道师胡晓曼作为此次主讲嘉宾，分享PaddlePaddle框架设计原理、实现方式、完整实例等技术点，并结合百度自身AI实践的应用发展，详解PaddlePaddle针对深度学习模型的应用、训练与优化等具体细节。 以下为胡晓光讲师的演讲实录： 2012年，百度开始深度学习的应用，其深度学习框架内部版本可追溯到2013年，到2016年，为了满足开发者的使用需求，百度开源了深度学习平台PaddlePaddle，2018年底，百度又推出了PaddlePaddle Suit，力求框架使用成本越来越低。 如今，各大巨头公司都在进入深度学习领域，那深度学习框架为何如此重要？其实深度学习框架相当于传统的操作系统，起到连接底层硬件和上层应用场景的作用，以此支持各种AI相关的应用，使其与业务结合，实实在在解决业务场景中的问题。例如，通过该框架

深度学习框架如同智能时代的“发电机”，让人工智能技术更快速地普及到各行各业，推动融合创新，成为智能时代最重要的基础设施。PaddlePaddle作为目前国内唯一功能完备的深度学习框架，经过2018年的快速成长，初具模型领先、性能优越、易学易用的技术特色，以及工业场景下的领先优势。下面我们来盘点一下PaddlePaddle 2018年的成长之路。 一、核心发布 1、Paddle Fluid 1.0发布 —— 核心框架走向成熟 7月4日 Paddle Fluid V0.14.0发布——提供从数据预处理到模型部署在内的深度学习全流程的底层能力支持。官方首次开源CV/NLP/语音/强化学习等10个业界领先的模型。 10月12日 Paddle Fluid V1.0稳定版本发布——提供更稳定、向后兼容的API。易用性大幅提升。提供 Mac OS 下的多种安装方式，新增对Python3.5的支持。并开源8个CV、NLP 方向主流模型。 11月1日 Paddle Fluid V1.1发布——支持千亿规模稀疏参数大规模多机异步训练。移动端预测新增Mali GPU、Adreno GPU、FPGA等硬件支持。开源5个推荐领域模型，大幅优化CV、NLP模型的训练速度和显存占用。 12月8日 Paddle Fluid V1.2发布——CPU多机异步训练升级包括worker异步并发和IO、通信优化在内多项功能

深度学习框架如同智能时代的“发电机”，让人工智能技术更快速地普及到各行各业，推动融合创新，成为智能时代最重要的基础设施。PaddlePaddle作为目前国内唯一功能完备的深度学习框架，经过2018年的快速成长，初具模型领先、性能优越、易学易用的技术特色，以及工业场景下的领先优势。下面我们来盘点一下PaddlePaddle 2018年的成长之路。 一、核心发布 1、Paddle Fluid 1.0发布 —— 核心框架走向成熟 7月4日 Paddle Fluid V0.14.0发布——提供从数据预处理到模型部署在内的深度学习全流程的底层能力支持。官方首次开源CV/NLP/语音/强化学习等10个业界领先的模型。 10月12日 Paddle Fluid V1.0稳定版本发布——提供更稳定、向后兼容的API。易用性大幅提升。提供 Mac OS 下的多种安装方式，新增对Python3.5的支持。并开源8个CV、NLP 方向主流模型。 11月1日 Paddle Fluid V1.1发布——支持千亿规模稀疏参数大规模多机异步训练。移动端预测新增Mali GPU、Adreno GPU、FPGA等硬件支持。开源5个推荐领域模型，大幅优化CV、NLP模型的训练速度和显存占用。 12月8日 Paddle Fluid V1.2发布——CPU多机异步训练升级包括worker异步并发和IO、通信优化在内多项功能