附录

编译依赖表

编译选项表

BLAS

PaddlePaddle支持 MKL 和 OpenBlAS 两种BLAS库。默认使用MKL。如果使用MKL并且机器含有AVX2指令集，还会下载MKL-DNN数学库，详细参考这里 。

如果关闭MKL，则会使用OpenBLAS作为BLAS库。

CUDA/cuDNN

PaddlePaddle在编译时/运行时会自动找到系统中安装的CUDA和cuDNN库进行编译和执行。 使用参数 -DCUDA_ARCH_NAME=Auto 可以指定开启自动检测SM架构，加速编译。

PaddlePaddle可以使用cuDNN v5.1之后的任何一个版本来编译运行，但尽量请保持编译和运行使用的cuDNN是同一个版本。 我们推荐使用最新版本的cuDNN。

编译选项的设置

PaddePaddle通过编译时指定路径来实现引用各种BLAS/CUDA/cuDNN库。cmake编译时，首先在系统路径（ /usr/lib 和 /usr/local/lib ）中搜索这几个库，同时也会读取相关路径变量来进行搜索。 通过使用-D命令可以设置，例如：

cmake .. -DWITH_GPU=ON -DWITH_TESTING=OFF -DCUDNN_ROOT=/opt/cudnnv5

注意：这几个编译选项的设置，只在第一次cmake的时候有效。如果之后想要重新设置，推荐清理整个编译目录（ rm -rf ）后，再指定。

安装包列表

您可以在 Release History 中找到PaddlePaddle-gpu的各个发行版本。

其中postXX 对应的是CUDA和cuDNN的版本，postXX之前的数字代表Paddle的版本

需要注意的是，命令中 paddlepaddle-gpu==2.1.0 在windows环境下，会默认安装支持CUDA 10.2和cuDNN 7的对应[版本号]的PaddlePaddle安装包

多版本whl包列表-Release

表格说明

• 纵轴

cpu-mkl: 支持CPU训练和预测，使用Intel mkl数学库

cuda10_cudnn7-mkl: 支持GPU训练和预测，使用Intel mkl数学库

• 横轴

一般是类似于“cp37-cp37m”的形式，其中：

37:python tag,指python3.7，类似的还有“36”、“38”、“39”等

mu:指unicode版本python，若为m则指非unicode版本python

• 安装包命名规则

每个安装包都有一个专属的名字，它们是按照Python的官方规则 来命名的，形式如下：

{distribution}-{version}(-{build tag})?-{python tag}-{abi tag}-{platform tag}.whl

其中build tag可以缺少，其他部分不能缺少

distribution: wheel名称version: 版本，例如0.14.0 (要求必须是数字格式)

python tag: 类似’py36’, ‘py37’, ‘py38’, ‘py39’，用于标明对应的python版本

abi tag: 类似’cp33m’, ‘abi3’, ‘none’

platform tag: 类似 ‘linux_x86_64’, ‘any’

多版本whl包列表-develop

在Docker中执行PaddlePaddle训练程序

假设您已经在当前目录（比如在/home/work）编写了一个PaddlePaddle的程序: train.py （可以参考 PaddlePaddleBook 编写），就可以使用下面的命令开始执行训练：

cd /home/work

docker run -it -v $PWD:/work registry.baidubce.com/paddlepaddle/paddle /work/train.py

上述命令中，-it 参数说明容器已交互式运行；-v $PWD:/work 指定将当前路径（Linux中PWD变量会展开为当前路径的绝对路径）挂载到容器内部的:/work 目录: registry.baidubce.com/paddlepaddle/paddle 指定需要使用的容器； 最后/work/train.py为容器内执行的命令，即运行训练程序。

当然，您也可以进入到Docker容器中，以交互式的方式执行或调试您的代码：

docker run -it -v $PWD:/work registry.baidubce.com/paddlepaddle/paddle /bin/bash

cd /work

python train.py

注：PaddlePaddle Docker镜像为了减小体积，默认没有安装vim，您可以在容器中执行 apt-get install -y vim 安装后，在容器中编辑代码。

使用Docker启动PaddlePaddle Book教程

使用Docker可以快速在本地启动一个包含了PaddlePaddle官方Book教程的Jupyter Notebook，可以通过网页浏览。 PaddlePaddle Book是为用户和开发者制作的一个交互式的Jupyter Notebook。 如果您想要更深入了解deep learning，可以参考PaddlePaddle Book。 大家可以通过它阅读教程，或者制作和分享带有代码、公式、图表、文字的交互式文档。

我们提供可以直接运行PaddlePaddle Book的Docker镜像，直接运行：

docker run -p 8888:8888 registry.baidubce.com/paddlepaddle/book

国内用户可以使用下面的镜像源来加速访问：

docker run -p 8888:8888 registry.baidubce.com/paddlepaddle/book

然后在浏览器中输入以下网址：

http://localhost:8888/

使用Docker执行GPU训练

为了保证GPU驱动能够在镜像里面正常运行，我们推荐使用 nvidia-docker来运行镜像。 请不要忘记提前在物理机上安装GPU最新驱动。

nvidia-docker run -it -v $PWD:/work registry.baidubce.com/paddlepaddle/paddle:latest-gpu /bin/bash

注: 如果没有安装nvidia-docker，可以尝试以下的方法，将CUDA库和Linux设备挂载到Docker容器内：

export CUDA_SO="$(ls /usr/lib64/libcuda* | xargs -I{} echo '-v {}:{}') 
$(ls /usr/lib64/libnvidia* | xargs -I{} echo '-v {}:{}')"
export DEVICES=$(ls /dev/nvidia* | xargs -I{} echo '--device {}:{}')
docker run ${CUDA_SO} 
${DEVICES} -it registry.baidubce.com/paddlepaddle/paddle:latest-gpu