编程指南目前飞桨（PaddlePaddle，以下简称Paddle）已经同时支持动态图和静态图两种编程方式， 本文主要侧重于介绍静态图的编程方法，关于动态图编程方法，阅读完本文档，您将了解在Paddle静态图编程方式中，如何表示和定义数据变量，以及如何完整的组建一个深度学习网络并进行训练。数据的表示和定义
Paddle和其他主流框架一样，使用Tensor数据结构来承载数据，包括模型中的可学习参数（如
转载
2023-12-01 20:04:17
209阅读
论文解析YOLOv2所用的技巧可以用论文中的一张图来概括以下将对这些创新点进行具体阐述：1. Batch NormalizationCNN在训练过程中网络每层输入的分布一直在改变, 会使训练过程难度加大，但可以通过normalize每层的输入解决这个问题。YOLOv2网络在每一个卷积层后添加batch normalization，通过这一方法，mAP获得了2%的提升。batch normaliza
1. 前言几个月不见，huggingface的transformer框架在代码层面也早就已经完成了大一统预训练模型，在前几个文章里介绍的很多代码都已经集成到框架之中了，而且通过层层继承和多态，使得你很难再一下就能看出其逻辑了。并且，连训练测试过程都开始朝着曾经keras的方向发展了，使用一个Trainer作为实验实例，只需要传递给其模型和数据集，它就可以自动完成模型的训练和保存。我似乎看到了Pyt
初次接触paddlepaddle是在胡晓曼老师的博客上，当时想要去了解一下卷积神经网络网络的原理，就在百度上到处搜索，然后就看到了最后赵晓曼老师说的用paddle实现卷积神经网络。也是这次偶然的机会，让我了解到了paddlepaddle，于是乎就开始关注到了paddle。正好这个时候还看见了百度架构师手把手教你深度学习这门课程，卧槽，瞬间就被这标题给吸引住了（还好不是标题党，不然我就要化身万年喷子
转载
2024-04-02 10:54:31
124阅读
6月28日，2019中国人工智能峰会(CAIS 2019)在南京举办，大会以“智能＋拥抱未来”为主题，汇聚人工智能领域学术界、产业界众多领袖及代表，探讨中国人工智能的现在与未来。百度AI技术平台体系执行总监、深度学习技术与应用国家工程实验室副主任吴甜受邀出席“AI的开源与开放”高峰论坛并发表主题演讲，阐述了全球软件开源开放的现状，以及中国首款自主研发的深度学习平台飞桨(PaddlePaddle)的
转载
2023-11-29 16:10:38
71阅读
# 从PyTorch转换为飞浆的流程
## 介绍
PyTorch和飞浆都是深度学习领域非常流行的框架，但有时候我们需要将PyTorch的模型转换为飞浆模型。本文将介绍如何实现“PyTorch转飞浆”的过程，帮助你顺利完成转换。
## 转换流程
下面是将PyTorch模型转换为飞浆模型的整个流程：
| 步骤 | 描述 |
| --- | --- |
| 1 | 导入PyTorch模型 |
|
原创
2024-01-19 04:29:31
109阅读
飞浆（PaddlePaddle）与 PyTorch 的对比分析
随着深度学习的迅速发展，越来越多的框架涌现出来，其中飞浆（PaddlePaddle）和 PyTorch 是两个备受关注的框架。飞浆作为百度推出的开源深度学习框架，兼具易用性和强大的扩展能力，而 PyTorch 则因其灵活性和动态图特性而受到广泛欢迎。本文将从多个维度对这两个框架进行深入对比，以帮助开发者选择适合自己需求的工具。
#
# 飞浆使用PyTorch的指南
飞浆（PaddlePaddle）和PyTorch是深度学习领域中最受欢迎的框架之一。对于很多开发者和研究人员来说，如何在自己的工作中有效地选择并使用这些框架是一个非常重要的问题。在这篇文章中，我们将探讨如何在飞浆中利用PyTorch进行模型的构建与训练，以便更好地服务于深度学习的实际应用。
## PyTorch简介
PyTorch是一个开源机器学习框架，由F
原创
2024-08-14 05:21:56
130阅读
TensorFlow是谷歌开源的深度学习库。不多介绍，相信准备学习TensorFlow的同学也会自己去更多的了解。本系列博文讲尽量不涉及深度学习理论，但是会给出相关理论对应的博文等资料供大家参阅。这里，首先要跟大家介绍一个计算图的概念： TensorFlow会根据代码先创建好计算图，然后数据会再流入这样的计算图中： 这个概念能帮助我们在编码的时候更好的去理解。我们再来理解一下TensorF
为什么要进行Pull Request飞桨并非是一个仅由百度研发工程师进行维护的库，它支持也欢迎任何人进行代码贡献。如果你希望在飞桨中增加一个功能或者修复一个bug，你可以：提交issue，也就是告知他人你的需求或上报bug；自己攥写代码，并且进行PullRequest（PR），当仓库管理员审核你的代码后（可以理解为认可你的修改后），该代码将被合并到飞桨的代码中，其他程序员使用飞桨时就会运行到你写的
导读模型压缩的价值与意义模型压缩技术，一般是指在基础模型结构的基础上，通过精简模型结构、减少模型参数量或者降低模型存储量化位数，从而减小计算量，降低所需存储资源，提升模型推理速度。端侧设备相关场景要求响应速度快、内存占用少和能耗低，模型压缩可以有效提升模型推理速度、减少模型所需存储空间和降低模型能耗。在超大模型落地应用场景中，模型压缩可以降本增效和低碳环保，从而提升产品竞争力。图1 端侧和边侧应用
2020 年 2 月 27 日飞桨核心框架（以下简称Paddle）发布了1.7版本，这也是Paddle在2020年首个重大更新，下面让我们来看看具体的更新内容。Paddle 1.7版本对框架功能层面进行了重点增强，预测部署能力全面提升，分布式训练发布PLSC支持千万规模分类任务，并对参数服务器模式进行了优化整合。对编译选项、编译依赖以及代码库进行了全面清理优化。模型库持续完善，优化了整体层次结构，
转载
2024-04-26 10:23:22
39阅读
自从Google将TensorFlow机器学习系统开源之后，越来越多的人开始接触TensorFlow，而我也来试探一下它的底(虽然我还是个菜鸟)首先来了解一下TensorFlowTensorFlow是由Google研发的深度学习库，用于各种感知和语言理解任务的机器学习。它的一大特点是支持异构设备分布式计算，它能够在各个平台上自动运行模型，从手机，单个CPU/GPU到成百上千GPU卡组成的分布式系统
目录Transformer模型基本介绍多头注意力有掩码的多头注意力基于位置的前馈网络层归一化信息传递（对应结构图中连接解码器与编码器的线）预测多头注意力实现Transformer实现 Transformer模型基本介绍与seq2seq相比transformer是一个纯粹基于注意力的架构(自注意力同时具有并行计算和最短的最大路径长度这两个优势),没有用到任何CNN和RNN。如下图所示，transf
转载
2023-10-08 18:58:53
83阅读
最近开始学习基于百度学习框架paddle的课程，感觉非常不错，主要有那么多人一起学习交流探讨，不仅讲解框架，对基础理论分析解释也很到位，重视基础，是不错的学习内容。加载飞桨其中“fluid"是"液体;流体;液"的意思。paddle/fluid：飞桨的主库，目前大部分的实用函数均在paddle.fluid包内。dygraph：动态图的类库。Linear：神经网络的全连接层函数，即包含所有输入权重相加
迁移学习可以使用飞桨开发的一个新的功能模块，叫X2Paddle(Github见参考1)，可以支持主流深度学习框架模型转换至飞桨，包括Caffe、Tensorflow、onnx等模型直接转换为Paddle Fluid可加载的预测模型，并且还提供了这三大主流框架间的API差异比较，方便我们在自己直接复现模型时对比API之间的差异，深入理解API的实现方式从而降低模型迁移带来的损失。下面以TensorF
转载
2024-01-31 15:19:52
328阅读
这里先给出参考链接：https://github.com/jikexueyuanwiki/tensorflow-zh/blob/master/SOURCE/get_started/basic_usage.mdwww.tuicool.com/articles/aqAZviu使用TensorFlow，你必须明白TensorFlow：使用图(graph)来表示任务被称之为会话(Session)的上下文(
导读：人机对话是人工智能的重要挑战，近几年随着人工智能的兴起，人机对话系统的研究也越来越火热。为了帮助广大开发者们更快捷地实现对话系统的开发，飞桨在自然语言处理模型库（PaddleNLP）中开源了对话模型工具库，内置了对话通用理解模型（DGU）和对话自动评估模型（ADE）。本篇文章将先为大家介绍飞桨对话通用理解模型（DGU）。 1. 人机对话概述人机对话（Human-Mach
转载
2024-07-23 11:24:58
102阅读
一、概览注：整体方案上尚存在技术疑点，需进一步小组内讨论对齐，避免方案设计上存在后期难以扩展（或解决）的局限性框架TensorFlow 1.xTensorFlow 2.xPaddlecond/while√√√实现机制组合OP (DataFlow)函数式 (Functional)函数式 (Functional)高阶微分×√×并行执行√××图构造复杂简单简单互相嵌套√√√维护成本高低低执行性能快一般一
作者 | 苏宓不知道是不是之前“TensorFlow 将死”的谣言传得过盛，Google 于日前紧急发布了一篇标题为《Bringing Machine Learning to every developer’s toolbox》（将机器学习带入每位开发者的工具箱）的公告，广而告之，TensorFlow 没有“死”，而且各种数据表明，其现如今发展地非常好，也是全球 300 万软件开发者最常用的 ML
