服务化部署框架Paddle Serving 概述 常见的深度学习模型开发流程需要经过问题定义、数据准备、特征提取、建模、训练过程，以及最后一个环——将训练出来的模型部署应用到实际业务中。如图1所示，当前用户在训练出一个可用的模型后，可以选择如下四种部署应用方式： 服务器端高性能部署：将
Paddle Inference原生推理库 深度学习一般分为训练和推理两个部分，训练是神经网络“学习”的过程，主要关注如何搜索和求解模型参数，发现训练数据中的规律，生成模型。有了训练好的模型，就要在线上环境中应用模型，实现对未知数据做出推理，这个过程在AI领域叫做推理部署。用户可以选择如下四
推理部署概述 人工智能算法的重要能力，是可对未知的新数据做出预测，而所依据的则是在已知数据上训练出的模型。因为这个过程与人面对问题时依据经验思考推导后得出结论相类似，所以在人工智能领域又被称为推理（Inference）。 所以对于深度学习而言，训练和推理是两个不同的行为。将新数据输
源码编译优化 深度学习的发展十分迅速，对科研或工程人员来说，可能会遇到一些需要自己开发op的场景，可以在python层面编写op，但如果对性能有严格要求的话，必须在C++层面开发op，对于这种情况，需要用户源码编译飞桨paddle，使之生效。 此外对于绝大多数使用C++将模型部署上线的工程人员来说，可
深度学习数据集定义与加载 深度学习模型在训练时需要大量的数据来完成模型调优，这个过程均是数字的计算，无法直接使用原始图片和文本等来完成计算。因此与需要对原始的各种数据文件进行处理，转换成深度学习模型可以使用的数据类型。 一、框架自带数据集 飞桨框架将深度学习任务中常用
深度学习数据预处理 训练过程中有时会遇到过拟合的问题，其中一个解决方法就是对训练数据做增强，对数据进行处理得到不同的图像，从而泛化数据集。数据增强API是定义在领域目录的transofrms下，这里介绍两种使用方式，一种是基于框架内置数据集，一种是基于自定义的数据集。 一、飞桨框架内置
深度学习模型组网 完成数据集的构建后，需要构建网络模型。首先介绍飞桨组网相关的API，主要是paddle.nn下的API介绍，然后介绍动态图下飞桨框架支持的两种组网方式，分别为 Sequential 组网与 SubClass 组网，最后，介绍飞桨框架内置的算法模型。 一、paddle.nn 简介 飞桨框架2.0中，组网相
【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】 在图像处里面，除了人脸识别、车牌识别、指纹识别这些应用比较成熟的领域之外，ocr也是很重要的一个领域。所谓的ocr，其实就是利用图像处理技术和深度学习，将图像中的文字识别出来，常见的应用有身
Tensor基础实践 飞桨（PaddlePaddle，以下简称Paddle）和其他深度学习框架一样，使用Tensor来表示数据，在神经网络中传递的数据均为Tensor。 Tensor可以将其理解为多维数组，其可以具有任意多的维度，不同Tensor可以有不同的数据类型 (dtype) 和形状 (shape)。 同一Tensor的中所有元素的dtype
广播 (broadcasting) 飞桨（PaddlePaddle，以下简称Paddle）和其他框架一样，提供的一些API支持广播(broadcasting)机制，允许在一些运算时使用不同形状的张量。 通常来讲，如果有一个形状较小和一个形状较大的张量，希望多次使用较小的张量来对较大的张量执行一些操作，看起来像是较小形状的
广播 (broadcasting) 飞桨（PaddlePaddle，以下简称Paddle）和其他框架一样，提供的一些API支持广播(broadcasting)机制，允许在一些运算时使用不同形状的张量。 通常来讲，如果有一个形状较小和一个形状较大的张量，希望多次使用较小的张量来对较大的张量执行一些操作，看起来像是较小形状的张量
Paddle预训练模型应用工具PaddleHub 本文主要介绍如何使用飞桨预训练模型管理工具PaddleHub，快速体验模型以及实现迁移学习。建议使用GPU环境运行相关程序，可以在启动环境时，如下图所示选择“高级版”环境即可。 如果没有算力卡资源可以点击链接申请。 概述 首先提
Paddle概述 本文结合深度学习理论与实践，使用百度飞桨平台实现自然语言处理、计算机视觉及个性化推荐等领域的经典应用。 实践部分使用飞桨深度学习开源框架，适配最新的2.0版本，默认使用动态图编程范式。 图1：零基础实践深度学习 内容特色 特色一：理论和代码结合、实践与平台结
python的应用领域 Web应用开发自动化运维3D游戏开发图形界面开发C/S服务端开发科学计算 Python的特点 简洁性 实现同样的功能，python代码的行数往往是Java的1/5；易读性可扩展开源性 python运算符优先级 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img
『深度学习7日打卡营·快速入门特辑』案例学习-百度飞桨paddlepaddle课程系列 NLP+开源社区 Day04-NLP案例_利用情感分析选择年夜饭 NLP前置知识 NLP任务力度：字、词语、句子、篇章 分词、识别、搜索、文章视频推荐、智能客服、对话、文章识别 情感分析 场景示例 文本分类
快来选一顿好吃的年夜饭：看看如何自定义数据集，实现文本分类中的情感分析任务 情感分析是自然语言处理领域一个老生常谈的任务。句子情感分析目的是为了判别说者的情感倾向，比如在某些话题上给出的的态度明确的观点，或者反映的情绪状态等。情感分析有着广泛应用，比如电商评论分析
项目场景： windows安装paddlepaddle-gpu出现错误 环境描述： 系统：win10 cuda版本：10.0.130 cudnn版本：v7.6 Nvidia 显卡驱动411.63（这个很关键） paddlepaddle版本：v1.8（gpu版，我在v1.7，v2.0也出现了这个问题） python版本：3.6 问题描述： 按照飞桨（paddle）官网的安装教程一步一步来，最后验证安
概述 利用java实现打砖块小游戏，游戏界面包括以下元素 顶部的各色砖块底部的挡板小球游戏信息展示面板玩法包括 使用鼠标或者键盘移动挡板 打掉砖块，得分每一局有3次机会，挡板没有接到小球，机会减1打掉黑色小球，会掉落道具，挡板接到道具，挡板会变长可以选择游戏难度等级 功能实现 首
前言：前几天，在Ubuntu上面安装百度的pgl框架，由于一直报“No module name Graph”的错误，折腾了很久 虚拟机信息 虚拟机版本：Ubuntu 20.4 python版本：python3 paddle版本：1.8.5 出错过程 1、首先按照paddle官网的教程先执行用python自带的pip以下指令 sudo pip3 install paddlepaddle==1
1、问题 AssertionError: In PaddlePaddle 2.x, we turn on dynamic graph mode by default, and 'data()' is only supported in static graph mode. So if you want to use this api, please call 'paddle.enable_static()' before this api to enter stat
问题一：图片大小问题 报错： F:\Anaconda\envs\paddle\lib\site-packages\paddle\fluid\reader.py:811: VisibleDeprecationWarning: Creating an ndarray from ragged nested sequences (which is a list-or-tuple of lists-or-tuples-or ndarrays with different lengths or s
CodeBullet是我最喜欢的YouTuber之一，他曾经尝试创建一个人机对战的乒乓球游戏，但遗憾的是，对于他的成果没有对计算机视觉有太大影响。他是个很幽默及技术很强的人，如果你考虑阅读这篇文章的其余部分，我强烈建议你观看他的视频。 https://www.youtube.com/watch?v=tcymhYbRvw8&人机对战
paddle安装过程中出现RuntimeError: cublas64_100.dll not found. 出现原因解决方法方法1：方法2：办法3： 出现原因 cublas64_100.dll文件缺失 解决方法 方法1： 查看conda的环境变量配置是否齐全，CUDA安装是否正确 没有问题的建议重启电脑再重试 方法2： 查看anaconda安装目录
PaddleOCR 识别使用遇到的问题 文章目录 PaddleOCR 识别使用遇到的问题前言错误1：AttributeError: module 'paddle.distributed' has no attribute 'get_rank'错误2：OSError: [WinError 126] 找不到指定的模块。错误3。 error: Microsoft Visual C++ 14.0 or greater is requ
手写数字识别之优化算法 目录手写数字识别之优化算法概述前提条件设置学习率对比不同学习率下模型的收敛效果学习率的主流优化算法 概述 上一节我们明确了分类任务的损失函数（优化目标）的相关概念和实现方法，本节我们依旧横向展开"横纵式"教学法，如 图1 所示，本节主要探讨在手写数字识
