引言
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。 用户在使用的过程中可能会面对安装和编译方面的问题，下面就从这两个方面来分别说明。
安装
在深度学习框架上， Python语言由于本身的易用性和丰富的类库，被众多深度学习框架作为了应用方面的首选，PaddlePaddle也将Python语言作为了自己的应用语言，如下介绍在Python下怎么安装PaddlePaddle。
1.系统检查
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，可以通过如下方式检查操作系统和python版本情况
-
>>>import platform -
>>>platform.architecture() -
('64bit','WindowsPE') # 64 bits on windows 64 bits -
>>> platform.version() -
'10.0.17134' # windows 10 -
>>> platform.python_version() -
'2.7.15' # python 2.7
如笔者自己的系统就显示了如上信息。
2.拉取安装包的方式
PaddlePaddle可以选择通过pip命令在线或离线安装，下面展示一下如何离线下载安装包。
PaddlePaddle的安装包已经放到了python官方支持的发布渠道上，打开https://pypi.org/ 网站，按图中所示输入Paddlepaddle，
用户将会得到当前所有的PaddlePaddle安装包，根据系统和Python版本号选择对应版本即可
3.安装过程
如果是在线安装，用户直接输入 pip install paddlepaddle即可正常安装。 如果是离线安装，用户输入 pip install paddlepaddle_xxx.whl 包也可以完成安装。
通常情况下pip命令伴随Python安装包一起已经得到安装，如果用户发现自己没有安装pip，可以到https://pip.pypa.io/en/stable/installing/ ，按照提示安装pip即可。
如果出现错误，用户可以检查
请使用管理员权限账户操作（比如Administrator账号），并确保使用64位Python（查看系统检查章节）
通过 控制面板 – 账号 – 管理用户账号 即可看到如上界面。
4.安装完成检查
安装完成后，用户可以打开Python命令，输入如下语句，
-
>>> import paddle.fluid -
>>> print(paddle.__version__) -
1.2.0 # 当前paddle版本
如果出现错误，用户可以检查PaddlePaddle依赖python的动态库，如果当前Python没有选择安装到环境变量，则可能出现找不到依赖库的情况，用户可以在如下图中加入环境路径，再次启动即可。
编译
不想自己做编译的用户可以直接跳过此节。
1.前期准备
1）环境检查:当前Paddle的编译只支持window10 专业/企业版本。
2）工具准备
2.1 请安装Visual Studio 2015 update3版本。
2.2请到 https://cmake.org/download/ 下载cmake 3.0及以上版本 安装
2.3请到 https://git-scm.com/download/win 下载git安装
2.4请到 https://www.python.org/ 下载python安装，请注意当前支持版本为2.7,3.5,3.6,3.7
*请到 https://pip.pypa.io/en/stable/installing/ 下载pip安装
*请运行 pip install protobuf numpy wheel
2. 编译过程
PaddlePaddle的编译过程需要保证网络可用，因为部分依赖包需要通过网络环境获取。 PaddlePaddle编译需要访问 https://github.com/
1）用户需要到
https://github.com/paddlepaddle/paddle 下载源代码，选择 release 1.2 分支，下载zip包或者 通过命令
git clone https://github.com/paddlepaddle/paddle cd paddle git checkout release /1.2
2）在源代码目录下，建一个build子目录并进入
3）运行
-
cmake .. -G "Visual Studio 14 2015 Win64" -DPYTHON_INCLUDE_DIR=${PYTHON_INCLUDE_DIRS} -DPYTHON_LIBRARY=${PYTHON_LIBRARY} -DPYTHON_EXECUTABLE=${PYTHON_EXECUTABLE} -DWITH_FLUID_ONLY=ON -DWITH_GPU=OFF -DWITH_TESTING=OFF -DCMAKE_BUILD_TYPE=Release
注释：
a.其中PYTHONINCLUDEDIRS指的是python的include目录，比如 c:\Python35\include\ b.其中PYTHONLIBRARY指定是pythonxx.lib所在的目录，比如c:\Python35\libs\ c.其中PYTHONEXECUTABLE指的是python.exe，比如c:\Python35\ python.exe d.其中DWITHFLUIDONLY=ON指的是paddlepaddle在windows下只支持fluid版本 e.其中WITHGPU=OFF指的是paddlepaddle当前只支持CPU f.其中WITHTESTING=OFF指的是关闭测试 g.其中CMAKEBUILDTYPE=Release指的是只支持Release编译 h.其中-G "Visual Studio 14 2015 Win64"指的是只支持VS2016的64bit编译
4） 目录下会生成paddle.sln文件，用Visual Studio 2015打开，选择64位Release模式，开始编译。
编译完成检查
1. 检查方法
如果编译过程不出错则表明编译成功，用户可以到 build\python\dist 目录下查找对应的生成 whl 文件。
2. 常见编译问题
【问】为什么我的paddle.sln文件没有生成？ 【答】请按编译过程要求检查是安装了指定的软件和版本
【问】编译过程中为什么出现ssl一类的网络错误？ 【答】编译过程需要访问网络，请检查系统代理和网络连通情况。
【问】whl文件为什么没有生成？ 【答】请按编译过程要求检查python的变量是否正确设置。
训练模型检测
1.导入网络
PaddlePaddle在使用方面为了贴合用户需求，尽量做到了将复杂的概念简化，深度学习用户将网络结构会理解为多个层结构的叠加，相对应的，PaddlePaddle也对应的有了层的封装。 在定义网络方面，用户可以统一使用fluid.layers里面定义好的结构，来方面的构建一个神经网络结构，比如
-
# Include libraries. -
import paddle -
import paddle.fluid as fluid -
import numpy -
# Configure the neural network. -
def net(x, y): -
y_predict = fluid.layers.fc(input=x, size=1, act=None) -
cost = fluid.layers.square_error_cost(input=y_predict, label=y) -
avg_cost = fluid.layers.mean(cost) -
return y_predict, avg_cost
2. 定义训练和预测函数
训练和预测方面，可以统一成为输入，计算和输出三个大的方面，用户可以使用fluid.layers.data来定义输入数据，对应在具体在执行层面，executor的run函数中，使用feed来接受输入数据。
下面可以定义预测函数和训练函数，示例
-
# Define train function. -
def train(save_dirname): -
x = fluid.layers.data(name='x', shape=[13], dtype='float32') -
y = fluid.layers.data(name='y', shape=[1], dtype='float32') -
y_predict, avg_cost = net(x, y) -
sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.001) -
sgd_optimizer.minimize(avg_cost) -
train_reader = paddle.batch( -
paddle.reader.shuffle(paddle.dataset.uci_housing.train(), buf_size=500), -
batch_size=20) -
place = fluid.CPUPlace() -
exe = fluid.Executor(place) -
def train_loop(main_program): -
feeder = fluid.DataFeeder(place=place, feed_list=[x, y]) -
exe.run(fluid.default_startup_program()) -
PASS_NUM = 1000 -
for pass_id in range(PASS_NUM): -
total_loss_pass = 0 -
for data in train_reader(): -
avg_loss_value, = exe.run( -
main_program, feed=feeder.feed(data), fetch_list=[avg_cost]) -
total_loss_pass += avg_loss_value -
if avg_loss_value < 5.0: -
if save_dirname is not None: -
fluid.io.save_inference_model( -
save_dirname, ['x'], [y_predict], exe) -
return -
print("Pass %d, total avg cost = %f" % (pass_id, total_loss_pass)) -
train_loop(fluid.default_main_program()) -
# Infer by using provided test data. -
def infer(save_dirname=None): -
place = fluid.CPUPlace() -
exe = fluid.Executor(place) -
inference_scope = fluid.core.Scope() -
with fluid.scope_guard(inference_scope): -
[inference_program, feed_target_names, fetch_targets] = ( -
fluid.io.load_inference_model(save_dirname, exe)) -
test_reader = paddle.batch(paddle.dataset.uci_housing.test(), batch_size=20) -
test_data = test_reader().next() -
test_feat = numpy.array(map(lambda x: x[0], test_data)).astype("float32") -
test_label = numpy.array(map(lambda x: x[1], test_data)).astype("float32") -
results = exe.run(inference_program, -
feed={feed_target_names[0]: numpy.array(test_feat)}, -
fetch_list=fetch_targets) -
print("infer results: ", results[0]) -
print("ground truth: ", test_label)
3. 执行训练和预测
接着可以简单调用上面定义函数，训练过程会产生输出，用户可以自定义输出目录，在后面的预测过程中，加载训练输出的模型
-
# Run train and infer. -
if __name__ == "__main__": -
save_dirname = "fit_a_line.inference.model" -
train(save_dirname) -
infer(save_dirname)
程序将输出预测结果，比如在笔者的环境中输出为（仅作参考，用户环境可能有出入） 非常欢迎您为PaddlePaddle贡献文档，我们的文档在PaddlePaddle/FluidDoc (https://github.com/PaddlePaddle/FluidDoc) 中统一管理，如您对PaddlePaddle有任何问题，也非常欢迎您在此Repo提交Issue，您的反馈是我们进步的动力！
来源：oschina
链接：https://my.oschina.net/u/4067628/blog/3210340