快速开始
快速安装
PaddlePaddle支持使用pip快速安装, 执行下面的命令完成CPU版本的快速安装:
- pip install -U paddlepaddle
如需安装GPU版本的PaddlePaddle,执行下面的命令完成GPU版本的快速安装:
- pip install -U paddlepaddle-gpu
同时请保证您参考NVIDIA官网,已经正确配置和安装了显卡驱动,CUDA 9 ,cuDNN 7.3 ,NCCL2 等依赖,其他更加详细的安装信息请参考:安装说明
快速使用
首先,您需要导入fluid库
- import paddle.fluid as fluid
- Tensor操作
下面几个简单的案例,可以帮助您快速了解Fluid:
1.使用Fluid创建5个元素的一维数组,其中每个元素都为1
- # 定义数组维度及数据类型,可以修改shape参数定义任意大小的数组
- data = fluid.layers.ones(shape=[5], dtype='int64')
- # 在CPU上执行运算
- place = fluid.CPUPlace()
- # 创建执行器
- exe = fluid.Executor(place)
- # 执行计算
- ones_result = exe.run(fluid.default_main_program(),
- # 获取数据data
- fetch_list=[data],
- return_numpy=True)
- # 输出结果
- print(ones_result[0])
可以得到结果:
- [1 1 1 1 1]
2.使用Fluid将两个数组按位相加
- # 调用 elementwise_op 将生成的一维数组按位相加
- add = fluid.layers.elementwise_add(data,data)
- # 定义运算场所
- place = fluid.CPUPlace()
- exe = fluid.Executor(place)
- # 执行计算
- add_result = exe.run(fluid.default_main_program(),
- fetch_list=[add],
- return_numpy=True)
- # 输出结果
- print (add_result[0])
可以得到结果:
- [2 2 2 2 2]
3.使用Fluid转换数据类型
- # 将一维整型数组,转换成float64类型
- cast = fluid.layers.cast(x=data, dtype='float64')
- # 定义运算场所执行计算
- place = fluid.CPUPlace()
- exe = fluid.Executor(place)
- cast_result = exe.run(fluid.default_main_program(),
- fetch_list=[cast],
- return_numpy=True)
- # 输出结果
- print(cast_result[0])
可以得到结果:
- [1. 1. 1. 1. 1.]
运行线性回归模型
通过上面的小例子,相信您已经对如何使用Fluid操作数据有了一定的了解,那么试着创建一个test.py,并粘贴下面的代码吧。
这是一个简单的线性回归模型,来帮助我们快速求解4元一次方程。
- #加载库
- import paddle.fluid as fluid
- import numpy as np
- #生成数据
- np.random.seed(0)
- outputs = np.random.randint(5, size=(10, 4))
- res = []
- for i in range(10):
- # 假设方程式为 y=4a+6b+7c+2d
- y = 4*outputs[i][0]+6*outputs[i][1]+7*outputs[i][2]+2*outputs[i][3]
- res.append([y])
- # 定义数据
- train_data=np.array(outputs).astype('float32')
- y_true = np.array(res).astype('float32')
- #定义网络
- x = fluid.layers.data(name="x",shape=[4],dtype='float32')
- y = fluid.layers.data(name="y",shape=[1],dtype='float32')
- y_predict = fluid.layers.fc(input=x,size=1,act=None)
- #定义损失函数
- cost = fluid.layers.square_error_cost(input=y_predict,label=y)
- avg_cost = fluid.layers.mean(cost)
- #定义优化方法
- sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.05)
- sgd_optimizer.minimize(avg_cost)
- #参数初始化
- cpu = fluid.CPUPlace()
- exe = fluid.Executor(cpu)
- exe.run(fluid.default_startup_program())
- ##开始训练,迭代500次
- for i in range(500):
- outs = exe.run(
- feed={'x':train_data,'y':y_true},
- fetch_list=[y_predict.name,avg_cost.name])
- if i%50==0:
- print ('iter={:.0f},cost={}'.format(i,outs[1][0]))
- #存储训练结果
- params_dirname = "result"
- fluid.io.save_inference_model(params_dirname, ['x'], [y_predict], exe)
- # 开始预测
- infer_exe = fluid.Executor(cpu)
- inference_scope = fluid.Scope()
- # 加载训练好的模型
- with fluid.scope_guard(inference_scope):
- [inference_program, feed_target_names,
- fetch_targets] = fluid.io.load_inference_model(params_dirname, infer_exe)
- # 生成测试数据
- test = np.array([[[9],[5],[2],[10]]]).astype('float32')
- # 进行预测
- results = infer_exe.run(inference_program,
- feed={"x": test},
- fetch_list=fetch_targets)
- # 给出题目为 【9,5,2,10】 输出y=4*9+6*5+7*2+10*2的值
- print ("9a+5b+2c+10d={}".format(results[0][0]))
- 得到结果:
- 9a+5b+2c+10d=[99.946]
输出结果应是一个近似等于100的值,每次计算结果略有不同。