- 综合排序
- 最热优先
- 最新优先
【Paddle系列】Paddle serving部署自己的模型
post112=CUDA11.2+cuDNN8+TensorRT8（推荐）post101=CUDA10.1+cuDNN7+TensorRT6post102=CUDA10.2+cuDNN7+TensorRT6(与Paddle Serving代码gitclonehttps://github.com/PaddlePaddle/Serving3.2.2依赖库安装cpu与gpu版本的依赖库安装流程差不多，把paddlepaddle和paddle-serving-server 4.2转换Serving如果需要把训练好的模型部署至paddle自带的服务框架，需将inference模型转换为serving格式的文件。
24610编辑于 2025-12-15- 来自专栏PaddlePaddle
How we have boosted performance of Paddle Paddle Fluid——Intel
本节公开课视频↓ 本节公开课课件↓
43020发布于 2018-07-26 - 来自专栏paddle深度学习
paddle深度学习6 paddle Tensor 的广播机制
import paddleA = paddle.to_tensor([[1], [2], [3]], dtype='float32')B = paddle.to_tensor([[10, 20, 30, 如果没有广播机制，我们需要手动调整张量的形状（例如使用 paddle.expand 或 paddle.repeat），这会增加代码的复杂性和冗余。广播机制的好处在于可以简化代码、提高效率、增强灵活性。 import paddlea = paddle.to_tensor([1, 2, 3]) b = 10 c = a + b print(c)矩阵也可以直接与向量进行运算例如：矩阵的每一行加上一个向量。 import paddlematrix = paddle.to_tensor([[1, 2], [3, 4]]) vector = paddle.to_tensor([10, 20]) result =
28800编辑于 2025-01-12 paddle2onnx无法转换Paddle3.0.0的json格式paddle inference模型
information): Inference engine for deployment: PD INFERENCE 3.0-->onnxruntime Why convert to onnx：在端侧设备上部署 Paddle2ONNX Version: 1.3.1 解决方法：需要更换paddle2onnx和paddlepaddle到指定版本才行 pip install paddle2onnx==2.0.2rc1 cuda11.8
22810编辑于 2025-07-18- 来自专栏PaddlePaddle
How we have boosted performance of Paddle Paddle Fluid——Intel
Intel公开课课件
33830发布于 2018-07-26 - 来自专栏GiantPandaCV
从零学Paddle系列-0 Paddle框架整体概览
Paddle是什么？ Paddle是百度开发的一个深度学习框架，运行时可采用静态图和动态图，通过多个版本的优化，Paddle的动态图运行效率已经可以媲美静态图，这里我推荐使用动态图来编写网络。 基于Paddle框架进而衍生出了百度其他强大的开发套件，工具组件和模型库，基础概览如下 ? 官方教程 Paddle 也针对零基础和产业级应用推出了两款教程 ? 4. 至此我们已经对Paddle有大致的了解，下面我会讲解下Paddle的API概览 5. 总结 今天大致了解了下Paddle和AIStudio整体的结构 并讲解了其中API的应用 下一期我会以CV任务中常用的操作，更加详细的讲解如何在Paddle框架编写对应的代码。
2.4K30发布于 2020-07-09 - 来自专栏计算机工具
paddle 1-高级
本章会介绍Paddle Inference、Paddle Serving和Paddle Lite来满足上面这些需求场景，并介绍模型压缩工具Paddle Slim，可以让模型在有限条件的硬件上以更快的速度运行 Paddle Serving：飞桨服务化部署框架，用于云端服务化部署，可将模型作为单独的Web服务。 Paddle Lite：飞桨轻量化推理引擎，用于Mobile、IoT等场景的部署，有着广泛的硬件支持。 X2Paddle：飞桨模型转换工具，将其他框架模型转换成Paddle模型，转换格式后可以方便的使用上述5个工具。 3. ElasticCTR：飞桨弹性计算推荐套件，可以实现分布式训练CTR预估任务和基于Paddle Serving的在线个性化推荐服务。
28210编辑于 2024-12-14 - 来自专栏GiantPandaCV
从零学Paddle系列-1 Paddle框架CNN相关API详解
前言 前面我们对Paddle做了个大致的介绍，这一次我们来详细学习一下cv相关函数的使用 paddle.fluid.dygraph Conv2D 该函数用于二维卷积，有以下参数 - num_channels 的 下面我们介绍细粒度更高的API系列paddle.fluid.layers paddle.fluid.layers element_wise_add(sub/mul/div/max等等) 这是对应元素操作系列 dim 表示分割的维度 from paddle import fluid import numpy as np from paddle.fluid.dygraph.base import to_variable import fluid import numpy as np from paddle.fluid.dygraph.base import to_variable from paddle.fluid import fluid import numpy as np from paddle.fluid.dygraph.base import to_variable from paddle.fluid
2K21发布于 2020-07-17 - 来自专栏菠萝上市没有
Paddle 2.1 拟合线性函数
import numpy as np import paddle import paddle.nn as nn import matplotlib import matplotlib.pyplot as plt from paddle.io import DataLoader, Dataset k = 3.2 b = 10 # 生成测试数据 x = [np.random.randn() for self, x, y): self.x = x self.y = y def __getitem__(self, idx): data = paddle.to_tensor (self.x[idx], dtype='float32') label = paddle.to_tensor(self.y[idx], dtype='float32') np.random.randn() * 10 for i in range(5000)]) y = np.array([k * i + b for i in x]) z = np.array([net(paddle.to_tensor
71800发布于 2021-10-28 - 来自专栏paddle深度学习
paddle深度学习3 Tensor
【tensor简介】在Paddle中，paddle.Tensor是存储和变换数据的主要工具。Tensor与Numpy的多维数组非常相似。 1,2,3])a=paddle.Tensor(a)a2.用paddle.rand()方法创建随机Tensorimport paddlea=paddle.rand((2,3))apaddle.rand() import paddlea=paddle.arange(1,7)a4.用paddle.zeros()方法生成一个全0的Tensorimport paddlea=paddle.zeros((3,2))a 同理，paddle.ones会生成要给全1的向量【Tensor的属性】Tensor 是一个类似于 NumPy 数组的多维数组，但它还具有其他属性和方法。 Tensor 的一些重要属性包括：1.ndim维度import paddlea=paddle.reshape(paddle.arange(1,7),(3,2))print(a)print(a.ndim)
32100编辑于 2024-05-19 - 来自专栏全栈程序员必看
paddle tensorflow_平板屏保图片
实际使用注意，参数paddings元素数(rank)必须和输入维度一一对应，表示该维度前后填充的层数，文档示例验证如下，
87410编辑于 2022-09-22 - 来自专栏机器学习AI算法工程
paddle玉米异常果穗智能筛分
玉米作为重要粮食作物，种子质量是影响玉米产量的关键因素；选用优质玉米种子即：玉米制种穗选是重要环节，筛分出异常果穗（机械损伤、虫蛀、败育、病害等），有利于提高玉米种子的纯度和发芽率。传统的玉米制种穗选工作主要依靠人工，费时费力、存在主观误差。因此，研究基于人工智能技术的高通量玉米果穗智能筛分方法，提高玉米制种筛分的速率和效率，具有重要意义。玉米新品种选育工作多在田间进行，果穗图像易受周围环境（光照、粉尘、花丝附着、散落的碎粒等）影响，图像存在光照不均、霉变果穗颜色变化丰富、背景复杂、噪声大、果穗异常区域形状复杂等，采用传统的图像处理方法对玉米果穗进行筛分鲁棒性，难以满足育种的实际行业需要。异常果穗包括以下几种，如下图所示：
30210编辑于 2024-01-11 - 来自专栏paddle深度学习
paddle深度学习11 线性回归
('前10条数据:')print(data[:10])# In[ ]:#查看数据分布plt.scatter(data[:,0], data[:,1])plt.show()# In[ ]:import paddle #构建数据集类class MyDataset(paddle.io.Dataset): def __init__(self, data, labels): self.data ()#机器学习模型使用线性模型，其中输入维度为1，输出维度为1model=paddle.nn.Linear(1, 1)#使用的优化器为AdamW，学习率设置为0.02optimizer=paddle.optimizer.AdamW 把mydata转换为DataLoader类型【训练准备】从上至下依次为:导入tqdm进度条工具过滤tqdm调用中可能出现的警告信息paddle.nn.loss.MSEloss()定义损失函数为均方根损失 model=paddle.nn.Linear(1,1)模型直接定义为一个线性层，输入输出维度都为1paddle.optimizer.AdamW表示使用AdamW优化器注意其中最重要的参数为learning_rate
36810编辑于 2025-01-15 - 来自专栏java编程那点事
No module named ‘paddle.fluid.core_noavx
前言：PaddlePaddle运行时出现No module named ‘paddle.fluid.core_noavx‘错误 1、错误 No module named ‘paddle.fluid.core_noavx
1.4K30编辑于 2023-02-25 - 来自专栏算法之名
飞桨paddle技术点整理
(i) j = paddle.normal(mean=0.0, std=paddle.rand([5])) print(j) k = paddle.uniform(shape c = paddle.exp(a) print(c) a = paddle.to_tensor([1, 2, 3], dtype='float32') c = paddle.sqrt print(b) print(paddle.floor(b)) print(paddle.ceil(b)) print(paddle.round(b)) print(paddle.trunc print(b.shape) print(paddle.sort(b)) print(paddle.sort(b, axis=0)) print(paddle.sort( (paddle.argmin(a, axis=0)) print(paddle.std(a)) print(paddle.var(a)) print(paddle.median(
71530编辑于 2022-09-19 - 来自专栏paddle深度学习
paddle深度学习10 模型准备
【定义模型】在PaddlePaddle中，模型通常通过继承 paddle.nn.Layer 类来定义。可以在这个类中定义模型的结构，比如全连接层、卷积层、循环神经网络层等。 以下是一个简单的线性回归模型示例：import paddleimport paddle.nn as nnclass MyModel(nn.Layer): def __init__(self): super PaddlePaddle提供了多种优化器，你可以根据任务需求选择合适的优化器：optimizer = paddle.optimizer.SGD(learning_rate=0.01, parameters
23010编辑于 2025-01-16 - 来自专栏人工智能LeadAI
从学习 Paddle 开始学习深度学习
trainer_config.py : 配置神经网络模型 data_provider.py : 数据提供 train.sh : 配置paddle训练的参数 安装 paddle提供了三种安装方式： Docker 然而我们并不会主动去调用函数，一切调用交给了Paddle。 那么我们怎么把数据提交给Paddle,Paddle又如何把数据以filename的方式交给上述的data_provider中的process 处理呢？ 如上图：整个数据提供的顺序为： 1、将test.list 和 train.list 提供给 Paddle； 2、Paddle 将test.list 和 test.list中的数据文件(如MNIST.txt ) 传给 data_provider.py； 3、data_provider.py将数据分离成对应的input_types传递给Paddle； 4、Paddle 将 数据向量 和 trainer_config.py
96530发布于 2018-03-09 - 来自专栏paddle深度学习
paddle深度学习2 数据集的构建
在深度学习中，无论是做哪项任务，图像、文本或是声音，都涉及到数据的处理，而数据通常包含在数据集中paddle当中有两个重要的类是和数据集相关的：Dataset和DataLoader【Dataset】它位于 paddle.io.Dataset，用于定义数据集这里只介绍它的__getitem__和__len__两个方法1. 它定义了获取数据集长度的行为下面的代码使用Dataset定义了一个基础的数据集：import paddleclass MyDataset(paddle.io.Dataset): def __init (mydata)): print(mydata[i])在这里，我们构建了一个小型数据集：它的数据部分为列表data，标签部分为列表labels，各有6个元素我们创建了MyDataset类(继承自paddle.io.Dataset )，并用它创建了一个mydata实例(传入了数据集data,labels)最后我们使用一个for循环打印了数据集的每个元素len()函数和[]都能正常工作【DataLoader】它被定义在paddle.io.DataLoader
48110编辑于 2024-05-17 - 来自专栏菠萝上市没有
Paddle 2.1 拟合二次函数
实践 拟合目标函数 y=x^2 + x + 1 import numpy as np import paddle import paddle.nn as nn import paddle.nn.functional as F from paddle.io import DataLoader, Dataset import matplotlib.pyplot as plt # 模拟数据 x = np.array( self, x, y): self.x = x self.y = y def __getitem__(self, idx): data = paddle.to_tensor (self.x[idx], dtype='float32') label = paddle.to_tensor(self.y[idx], dtype='float32') loader()): out = net(data) loss = nn.functional.mse_loss(out, label) loss = paddle.mean
1.2K00发布于 2021-11-07 - 来自专栏IT杂谈学习
【Python】已解决：ModuleNotFoundError: No module named ‘paddle‘
以下是一个典型的代码片段： import paddle print(paddle. __version__) 当我们运行上述代码时，可能会遇到ModuleNotFoundError异常，提示没有找到名为‘paddle’的模块。 三、错误代码示例 以下是一个可能导致ModuleNotFoundError的错误代码示例，并解释其错误之处： import paddle print(paddle. print(paddle. __version__) 正确代码示例： import paddle # 打印PaddlePaddle版本号，验证库已正确安装 print(paddle.
1K00编辑于 2025-05-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号