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：

  1. pip install paddlepaddle

如需安装GPU版本的PaddlePaddle，或查阅更详细的安装方法，请参考：安装说明

快速使用

首先，您需要导入fluid库

  1. 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

  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
  2. data = fluid.layers.ones(shape=[5], dtype='int64')
  3. # 在CPU上执行运算
  4. place = fluid.CPUPlace()
  5. # 创建执行器
  6. exe = fluid.Executor(place)
  7. # 执行计算
  8. ones_result = exe.run(fluid.default_main_program(),
  9.                         # 获取数据data
  10.                         fetch_list=[data],
  11.                         return_numpy=True)
  12. # 输出结果
  13. print(ones_result[0])

可以得到结果：

  1. [1 1 1 1 1]

2.使用Fluid将两个数组按位相加

  1. # 调用 elementwise_op 将生成的一维数组按位相加
  2. add = fluid.layers.elementwise_add(data,data)
  3. # 定义运算场所
  4. place = fluid.CPUPlace()
  5. exe = fluid.Executor(place)
  6. # 执行计算
  7. add_result = exe.run(fluid.default_main_program(),
  8.                  fetch_list=[add],
  9.                  return_numpy=True)
  10. # 输出结果
  11. print (add_result[0])

可以得到结果：

  1. [2 2 2 2 2]

3.使用Fluid转换数据类型

  1. # 将一维整型数组，转换成float64类型
  2. cast = fluid.layers.cast(x=data, dtype='float64')
  3. # 定义运算场所执行计算
  4. place = fluid.CPUPlace()
  5. exe = fluid.Executor(place)
  6. cast_result = exe.run(fluid.default_main_program(),
  7.                  fetch_list=[cast],
  8.                  return_numpy=True)
  9. # 输出结果
  10. print(cast_result[0])

可以得到结果：

  1. [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。

  1. #加载库
  2. import paddle.fluid as fluid
  3. import numpy as np
  4. #生成数据
  5. np.random.seed(0)
  6. outputs = np.random.randint(5, size=(10, 4))
  7. res = []
  8. for i in range(10):
  9.         # 假设方程式为 y=4a+6b+7c+2d
  10.         y = 4*outputs[i][0]+6*outputs[i][1]+7*outputs[i][2]+2*outputs[i][3]
  11.         res.append([y])
  12. # 定义数据
  13. train_data=np.array(outputs).astype('float32')
  14. y_true = np.array(res).astype('float32')
  15.  
  16. #定义网络
  17. x = fluid.layers.data(name="x",shape=[4],dtype='float32')
  18. y = fluid.layers.data(name="y",shape=[1],dtype='float32')
  19. y_predict = fluid.layers.fc(input=x,size=1,act=None)
  20. #定义损失函数
  21. cost = fluid.layers.square_error_cost(input=y_predict,label=y)
  22. avg_cost = fluid.layers.mean(cost)
  23. #定义优化方法
  24. sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.05)
  25. sgd_optimizer.minimize(avg_cost)
  26. #参数初始化
  27. cpu = fluid.CPUPlace()
  28. exe = fluid.Executor(cpu)
  29. exe.run(fluid.default_startup_program())
  30. ##开始训练，迭代500次
  31. for i in range(500):
  32.         outs = exe.run(
  33.                 feed={'x':train_data,'y':y_true},
  34.                 fetch_list=[y_predict.name,avg_cost.name])
  35.         if i%50==0:
  36.                 print ('iter={:.0f},cost={}'.format(i,outs[1][0]))
  37. #存储训练结果
  38. params_dirname = "result"
  39. fluid.io.save_inference_model(params_dirname, ['x'], [y_predict], exe)
  40.  
  41. # 开始预测
  42. infer_exe = fluid.Executor(cpu)
  43. inference_scope = fluid.Scope()
  44. # 加载训练好的模型
  45. with fluid.scope_guard(inference_scope):
  46.         [inference_program, feed_target_names,
  47.          fetch_targets] = fluid.io.load_inference_model(params_dirname, infer_exe)
  48.  
  49. # 生成测试数据
  50. test = np.array([[[9],[5],[2],[10]]]).astype('float32')
  51. # 进行预测
  52. results = infer_exe.run(inference_program,
  53.                                                 feed={"x": test},
  54.                                                 fetch_list=fetch_targets)
  55. # 给出题目为 【9,5,2,10】 输出y=4*9+6*5+7*2+10*2的值
  56. print ("9a+5b+2c+10d={}".format(results[0][0]))
  1. 得到结果：
  2.  
  3.     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。