PaddlePaddle

Python自然语言处理只需要5行代码 一、前言 人工智能是Python语言的一大应用热门，而自然语言处理又是人工智能的一大方向。 自然语言处理（ natural language processing ）简称NLP，是研究人同计算机之间用自然语言通信的一种方法。我们都知道，计算机本质上只认识0和1，但是通过编程语言我们可以使用编程语言同计算机交流。这实际上就是程序员同计算机之间的通信，而我们日常生活中使用的是自然语言，是一种带有情感的语言。那么要怎么使计算机理解这种带有情感的语言呢？这就是自然语言处理研究的内容了。 语言的情绪识别是自然语言处理的一种操作，如果要我们从0开始实现情绪识别是比较繁琐的。首先我们需要准备好足够的数据，为了让计算机更好的理解，我们还需要对数据进行预处理，之后需要训练数据，有了训练数据我们才能开始情绪识别。识别的准确率在于数据的相关性和数据量，数据相关性越高，数据量越大，识别的准确率就越高。 然而，我们使用paddlehub可以很快的实现情绪识别，我们先看看如何安装。 二、安装paddlehub paddlehub是百度飞桨PaddlePaddle中的一个模型库，使用paddlepaddle可以很快的实现多种多样的操作，其中就有我们今天要说到的文字情绪识别，而且代码非常简单。首先我们需要安装paddlepaddle，我们进入官网 https://www

本文作者：HelloDeveloper 具体的产品案例，分享百度开源技术最新实践经验。目前这些项目都已经在 github/baidu 上开源。 什么是 PaddlePaddle 深度学习平台？ 首先做个简单的介绍，PaddlePaddle 是百度自主研发的性能优先、灵活易用的深度学习平台，是一个已经解决和将要解决一些实际问题的平台。目前百度有超过30个主要产品都在使用 PaddlePaddle。关于机器学习、深度学习和浅层学习的内容就不详细介绍了，接下来重点讲述一下 PaddlePaddle 的整体架构。 关于 PaddlePaddle 整体架构 说到 PaddlePaddle 的整体架构，主要从这几个方面入手：多机并行架构、多 GPU 并行架构、Sequence 序列模型和大规模稀疏训练。多机的并行架构和序列模型的实现都是实现神经网络最复杂的东西，那么具体怎么实现全连接？ PaddlePaddle 是2013年启动时比较流行的架构是 Pserver 和 Trainer 的架构。在多机并行架构中数据分配到不同节点，下图里灰色部分表示机器，方框里表示一个进程，Pserver 和 Trainer 是分布在两个进程里，中间的部分是网络通讯连接。 下面来介绍一下什么是大规模稀疏模型训练。稀疏模型训练是说输入数据是稀疏的，由于稀疏输入，那么灰色的神经元和连接在训练中都没有作用

本文作者：HelloDeveloper 具体的产品案例，分享百度开源技术最新实践经验。目前这些项目都已经在 github/baidu 上开源。 什么是 PaddlePaddle 深度学习平台？ 首先做个简单的介绍，PaddlePaddle 是百度自主研发的性能优先、灵活易用的深度学习平台，是一个已经解决和将要解决一些实际问题的平台。目前百度有超过30个主要产品都在使用 PaddlePaddle。关于机器学习、深度学习和浅层学习的内容就不详细介绍了，接下来重点讲述一下 PaddlePaddle 的整体架构。 关于 PaddlePaddle 整体架构 说到 PaddlePaddle 的整体架构，主要从这几个方面入手：多机并行架构、多 GPU 并行架构、Sequence 序列模型和大规模稀疏训练。多机的并行架构和序列模型的实现都是实现神经网络最复杂的东西，那么具体怎么实现全连接？ PaddlePaddle 是2013年启动时比较流行的架构是 Pserver 和 Trainer 的架构。在多机并行架构中数据分配到不同节点，下图里灰色部分表示机器，方框里表示一个进程，Pserver 和 Trainer 是分布在两个进程里，中间的部分是网络通讯连接。 下面来介绍一下什么是大规模稀疏模型训练。稀疏模型训练是说输入数据是稀疏的，由于稀疏输入，那么灰色的神经元和连接在训练中都没有作用

本文作者：杨蕊1002 飞桨（PaddlePaddle）是国内唯一功能完备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、服务平台为一体，其兼具灵活和效率的开发机制、工业级应用效果的模型、超大规模并行深度学习能力、推理引擎一体化设计以及系统化的服务支持，致力于让深度学习技术的创新与应用更简单。 从Paddle Fluid v1.0以来，飞桨致力于打造更好的用户体验，趁着百度开发者大会，也为用户精心准备了一份大礼，在开发、训练及部署全流程上进行了全新升级，发布了飞桨的五大特性。接下来小编为您一一解读。 一、动态图&静态图 - 兼具动态图和静态图两种计算图的优势 从飞桨核心框架Padlde Fluid v1.5开始，飞桨同时为用户提供动态图和静态图两种机制。静态图是先定义网络结构而后运行，对定义好的图结构进行分析，可以使运行速度更快，显存占用更低，在业务部署上线上的具有非常大的优势，为用户的AI应用落地提供高效支持。但是静态图组网和执行阶段是分开，对于新用户理解起来不太友好。 飞桨从最新版本开始，提供了更方便的动态图模式，所有操作可以立即获得执行结果，而不必等到执行阶段才能获取到结果，这样可以更方便进行模型的调试，同时还减少了大量用于构建Executor等代码，使得编写、调试网络的过程变得更加便捷。用户可以使用更加便捷的动态图模式进行调试、训练

本文作者：DuerOs 人工智能连续3年进入政府报告、“智能+”成为时代新命题，这些信息都显示2019年会是AI产业全面加速落地的一年。AI行业的发展，离不开千万开发者的助力。 3月20日，首场百度大脑开放日全新登场，介绍了全新开放的24种全新AI能力，AI赋能市政、物流、教育等行业的20个案例，也为向开发者、行业人士展现了如何搭上AI开放生态的高速列车。 百度大脑开放日来袭 作为百度在人工智能领域多年研究成果的集大成者，百度大脑正在飞速进步着。自2016年启动开放以来，百度大脑目前已经是服务规模最大的AI开放平台，开放了158项AI能力，24小时快速集成，开发者数量超过100万，面向广泛的企业和开发者提供最先进、最全面的AI能力，不断降低AI应用落地的门槛。 百度AI技术生态部总经理喻友平谈到，“在百度大脑的开放生态中，开发者一直是最为重要的一环。百度大脑开放能力不断加速，有很多有价值的技术难以被开发者了解。2019年百度大脑开放日全新登场，希望为AI开发者提供及时、全面、近距离地了解百度大脑最新AI产品和案例，且能深度、持续交流的平台。” 百度AI技术生态部总经理喻友平 首期开放日，喻友平介绍了百度大脑开源深度学习平台PaddlePaddle以及通用AI能力两方面的技术和产品更新，以及百度大脑在市政、物流、教育等行业的落地案例，与开发者们进行深度交流。 更广、更快

fork本项目, 运行后, 可以看到全部代码及相关方见多文件 项目简介： Image Cascade Network（ICNet)主要用于图像实时语义分割。相较于其它压缩计算的方法，ICNet即考虑了速度，也考虑了准确性。 ICNet的主要思想是将输入图像变换为不同的分辨率，然后用不同计算复杂度的子网络计算不同分辨率的输入，然后将结果合并。ICNet由三个子网络组成，计算复杂度高的网络处理低分辨率输入，计算复杂度低的网络处理分辨率高的网络，通过这种方式在高分辨率图像的准确性和低复杂度网络的效率之间获得平衡。 整个网络结构如下： 阅读本项目时可以参考一下链接来帮助理解 论文链接： ICNet for Real-Time Semantic Segmentation on High-Resolution Images 博客链接： ICNet for Real-Time Semantic Segmentation on High-Resolution Images 文件结构： root/ 根目录 |--data/ 数据目录 |--|--iccv09Data/ 数据集 |--|--|--images/ 数据集中的图像 |--|--|--|- -1. jpg |--|--|--labels/ 数据集中的标签 |--|--|--|- -1. regions.txt |--|--train

简介 区域卷积神经网络（RCNN）系列模型为两阶段目标检测器。通过对图像生成候选区域，提取特征，判别特征类别并修正候选框位置。 RCNN系列目前包含两个代表模型：Faster RCNN，Mask RCNN Faster RCNN 整体网络可以分为4个主要内容： 基础卷积层。作为一种卷积神经网络目标检测方法，Faster RCNN首先使用一组基础的卷积网络提取图像的特征图。特征图被后续RPN层和全连接层共享。本示例采用 ResNet-50 作为基础卷积层。 区域生成网络(RPN)。RPN网络用于生成候选区域(proposals)。该层通过一组固定的尺寸和比例得到一组锚点(anchors), 通过softmax判断锚点属于前景或者背景，再利用区域回归修正锚点从而获得精确的候选区域。 RoI Align。该层收集输入的特征图和候选区域，将候选区域映射到特征图中并池化为统一大小的区域特征图，送入全连接层判定目标类别, 该层可选用RoIPool和RoIAlign两种方式，在config.py中设置roi_func。 检测层。利用区域特征图计算候选区域的类别，同时再次通过区域回归获得检测框最终的精确位置。 faster-rcnn模型结构图如下： 注：本例默认用GPU运行，也可通过设置--use_gpu=False使用CPU设备。 阅读本项目之前建议阅读faster-rcnn原版论文 https

引言： 不知不觉春节假期马上到来，在今年的春节话题中，不难发现，除了七大姑八大姨亲切问候这些常规话题，人工智能的踪迹也是随处可见。AI在以全新的面貌向我们展示值得期待的未来，比如今天，我们可以用PaddlePaddle来尝试写副智能春联。过年贴春联已经成为一个传统习俗，而商场里可选的内容不多，很多人想亲自出马，可惜又不大懂平仄对仗。能不能用人工智能帮我们写春联呢？今年春节，百度、网易和央视网推出了“智能春联H5”，只要给出2-4个汉字，它就能据此“写”出一副非常具有观赏性的藏头春联。 是什么让机器拥有对春联这项技能？通过智能春联H5，“刷脸”对春联只需几秒就能实现，而这背后是一系列“不可描述”的高深技术。视觉方面，主要应用了人脸检测、属性分析、人脸融合等技术，可对图片中的人脸进行检测，分析人脸对应的年龄、性别、颜值、微笑指数、是否佩戴眼镜等信息，并通过一个词语概括人脸的特性；进而将图片中的人脸，与指定模板图中的人脸进行融合，得到新的图片。这些技术的难度在于，需要对各种角度的人脸进行检测，并且能够提取人脸的五官特征，以便能够生成与原始人脸相似，但也和模板人脸神似，且毫无违和感的新图片。 其次是自然语言处理（NLP）方面，基于百度深度学习框架PaddlePaddle先进的神经网络机器翻译技术，可以将春联创作转化为“翻译”的过程，所不同的是，翻译是在两种语言之间建立联系

一、创建项目 （1）进入到https://aistudio.baidu.com/aistudio/projectoverview/public （2）创建项目 点击添加数据集：找到这两个 然后创建即可。 会生成以下项目： 二、启动环境，选择GPU版本 然后会进入到以下界面 选择的两个压缩包在/home/aistudio/data/下，先进行解压： !unzip /home/aistudio/data/data15067/ fruit.zip !unzip /home/aistudio/data/data15072/PaddleDetec.zip 之后在左边文件夹就可以看到解压后的内容了： 三、查看fruit-detection中的内容： 其实是类似pascal voc目标检测数据集的格式 （1） Annotations 以第一个apple_65.xml为例： folder：文件夹名称 filename：图片名称 path：文件地址 size：图片的大小 object：图片中的对象名称以及其的左下角和右上角的坐标。 < annotation > < folder > train </ folder > < filename > apple_65.jpg </ filename > < path > C:\tensorflow1\models\research\object

本文作者：杨蕊1002 飞桨博士会是由百度开源深度学习平台飞桨（PaddlePaddle）发起的中国深度学习技术俱乐部，旨在打造深度学习核心开发者交流圈，助力会员拓展行业高端人脉、交流前沿技术。俱乐部为会员制，成员皆为博士生导师或博士，且具备深度学习多年研究和实践经验。 8月31日将举办第三期线下技术沙龙，本期邀请百度大数据实验室主任浣军博士分享《AutoDL: 自动深度学习建模技术和应用》，诚邀各位加入，扫描下图二维码进行报名。 主讲人简介：浣军博士，百度大数据实验室主任，国际著名人工智能专家。历任美国堪萨斯大学电子工程和计算机系终身讲席正教授、博士生导师、美国国家科学基金委大数据学科主任。 往期回顾 飞桨博士会已成功举办两期线下技术沙龙，分别围绕NLP研究方向、CV研究方向展开技术交流。首期飞桨博士会由百度自然语言处理部主任研发架构师孙珂博士深入分享NLP技术在研发落地中的实践经验，并结合核心对话理解技术解读可定制的对话系统整体架构、方案选择思路。第二期技术沙龙则由百度视觉技术部高级工程师希滕博士分享视频理解中的生成和小型化技术，详解视频理解的算法原理、模型小型化的整体架构。 技术沙龙包含主讲人分享、分组交流、人脉拓展等环节，参会的博士们踊跃交流，现场讨论氛围热烈。 （第一期飞桨博士会沙龙现场讨论） （第二期飞桨博士会合影留念） 想与业内深度学习开发者共话技术扩展人脉