qq_55796594的博客

1.简介PaddleHub是飞桨生态下的预训练模型的管理工具，旨在让飞桨生态下的开发者更便捷地享受到大规模预训练模型的价值。用户可以通过PaddleHub便捷地获取飞桨生态下的预训练模型，结合Fine-tune API快速完成迁移学习到应用部署的全流程工作，让预训练模型能更好服务于用户特定场景的应用。当前PaddleHub已经可以支持文本、图像和视频三大类主流方向，为用户准备了大量高质量的预训练模型，可以满足用户各种应用场景的任务需求，包括但不限于词法分析、情感分析、图像分类、目标检测、视频分类等经

1.简介量化训练要解决的问题是将FP32浮点数量化成INT8整数进行存储和计算，通过在训练中建模量化对模型的影响，降低量化误差。PaddleSlim使用的是模拟量化训练方案，一般模拟量化需要先对网络计算图进行一定的处理，先在需要量化的算子前插入量化-反量化节点，再经过finetune训练减少量化运算带来的误差，降低量化模型的精度损失。2.paddleSlim量化步骤构建模型和数据集 进行预训练 量化训练 导出预测模型2.1量化训练APIclasspaddleslim.QAT(c

1.简介PaddleSlim是一个专注于深度学习模型压缩的工具库，提供剪裁、量化、蒸馏、和模型结构搜索等模型压缩策略，帮助用户快速实现模型的小型化。2.卷积Filter剪裁对卷积网络的通道进行一次剪裁。剪裁一个卷积层的通道，是指剪裁该卷积层输出的通道。卷积层的权重形状为[output_channel,input_channel,kernel_size,kernel_size]，通过剪裁该权重的第一纬度达到剪裁输出通道数的目的。...

目录1.简介1.1与模型直接推理的比较1.2流程图1.3高性能1.4多功能集成2.预测部署示例--python2.1模型获取2.1.1paddlepaddle框架2.1.2Tensorflow、Pytorch、Caffe2.2paddle-inference的使用2.3完整可运行代码1.简介Paddle Inference 是飞桨的原生推理库， 作用于服务器端和云端，提供高性能的推理能力。由于能力直接基于飞桨的训练算子，因此Paddle Infere.

官方文档：动态图转静态图1.动态图和静态图在深度学习模型构建上，飞桨框架支持动态图编程和静态图编程两种方式，其代码编写和执行方式均存在差异。 动态图编程：采用 Python 的编程风格，解析式地执行每一行网络代码，并同时返回计算结果。 静态图编程：采用先编译后执行的方式。需先在代码中预定义完整的神经网络结构，飞桨框架会将神经网络描述为Program的数据结构，并对Program进行编译优化，再调用执行器获得计算结果。 1.1优劣动态图编程体验更佳、更易调试，但...

目录1.visualDL简介2.用Scalar图可视化损失和精度2.1记录接口2.2使用核心代码3.在AI Studio中体验3.1流程3.2训练MNIST识别模型3.2.1定义数据和模型等3.2.2训练并记录日志3.2.3可视化1.visualDL简介​VisualDL是一个面向深度学习任务设计的可视化工具。VisualDL 利用了丰富的图表来展示数据，用户可以更直观、清晰地查看数据的特征与变化趋势，有助于分析数据、及时发现错误，进而改进神经网络模型的...

1.API分类1.1基础API对于训练调优场景，使用paddle.save/load保存和载入模型。 对于推理部署场景，使用paddle.jit.save/load（动态图）和paddle.static.save/load_inference_model（静态图）保存载入模型。1.2高级API paddle.Model.fit (训练接口，同时带有参数保存的功能) paddle.Model.save paddle.Model.load 2.训练调优场景的模型&a

目录1.LOSS1.1预置loss函数1.2自定义loss函数2.metric2.1预设的metric类2.2自定义metric类paddle除了预置的计算指标函数外，还支持自定义计算指标1.LOSS1.1预置loss函数paddle.nn下预置了常见的loss函数paddle.nn.BCELoss BCELoss层 paddle.nn.BCEWithLogitsLoss BCEWithLogitsLoss层 paddle...

目录1.内置高级API封装训练1.1使用paddle.Model()封装模型1.2用Model.prepare()配置模型1.3用Model.fit()训练模型1.4用Model.evaluate()评估模型1.5用Model.predict()预测模型2.基础API实现训练与预测2.1初始化优化器、模型、超参数2.2训练2.3用基础API验证模型2.5预测1.内置高级API封装训练1.1使用paddle.Model()封装模型 network.

1.网络模块paddle.nnfrom paddle import nnimport paddleprint(nn.__all__)###['BatchNorm', 'GroupNorm', 'LayerNorm', 'SpectralNorm', 'BatchNorm1D', 'BatchNorm2D', 'BatchNorm3D', 'InstanceNorm1D', 'InstanceNorm2D', 'InstanceNorm3D', 'SyncBatchNorm', 'Loca

1.内置数据集的预处理内置的图像数据集，在paddlepaddle.vision.transforms下内置了预处理的函数from paddle.vision import transformsprint('transforms: ', transforms.__all__)#####transforms: ['BaseTransform', 'Compose', 'Resize', 'RandomResizedCrop', 'CenterCrop', 'RandomHorizonta

1内置数据集1.1paddle.vision视觉库import paddleprint(paddle.vision.datasets.__all__)#####['DatasetFolder', 'ImageFolder', 'MNIST', 'FashionMNIST', 'Flowers', 'Cifar10', 'Cifar100', 'VOC2012']使用方式（以MNIST为例）： mode (str) -'train'或'test'模式，默认为'train...