《机器视觉理论与实战》 课件 第三章 paddle开发详解.pptx

第三章paddle开发详解

;01;3.1.1Paddle概述;这里以Paddle2.4、Linux操作系统、Conda、CUDA11.2为例介绍如何在个人PC端安装Paddle（更多安装方式可以参考Paddle官网），下图列出了各种安装所需环境组合。Anaconda是一个免费开源的Python和R语言发行版本，致力于简化包管理和部署，使用软件包管理系统Conda进行管理。Conda是一个开源包管理系统和环境管理系统，可在Windows、macOS和Linux上运行，并且可以安装不同版本的软件包及其依赖，能够在不同环境之间切换。本节介绍Anaconda安装方式，Paddle提供的Anaconda安装包支持分布式训练（多机多卡）、TensorRT推理等功能。

;1.创建虚拟环境

（1）安装环境

首先根据具体的Python版本创建Anaconda虚拟环境，Paddle的Anaconda安装支持3.6~3.10版本的Python安装环境。

通过电脑“开始”，进入Anaconda命令行窗口，界面如图3-2所示：

;1.创建虚拟环境

进入Anaconda命令行窗口后，输入如下命令创建虚拟环境：

condacreate-nyour_env_namePython=your_py_ver

其中：

your_env_name——虚拟环境的名称，可以自行设置，这里将以Paddle为例

your_py_ver——使用的Python版本，建议3.7~3.9版本

运行后输出如图3-3所示信息，说明环境创建成功！

;（2）继续在Anaconda命令行窗口，输入如下命令激活刚刚创建的虚拟环境：

condaactivatepaddle

执行命令后，出现如图3-4所示信息，表明从base基础环境切换到创建的paddle虚拟环境，说明进入成功！

;2.开始安装

根据版本选择要安装的Paddle。

（1）CPU版的Paddle

如果您的计算机没有NVIDIA?GPU，请安装CPU版的Paddle，安装命令如下：

condainstallPaddle==2.4.2--channel/anaconda/cloud/Paddle/

（2）GPU版的Paddle

对于CUDA11.2，需要搭配cuDNN8.2.1(多卡环境下NCCL=2.7)，安装命令如下：

condainstallPaddle-gpu==2.4.2cudatoolkit=11.2-c/anaconda/cloud/Paddle/-cconda-forge

可参考NVIDIA官方文档了解CUDA和CUDNN的安装流程和配置方法。

3.验证安装

安装完成后可以使用Python进入Python解释器，输入importpaddle，再输入paddle.utils.run_check()，如果打印输出“Paddleisinstalledsuccessfully!”，说明已成功安装！

;02;本节将从完成一个简单的手??数字识别任务开始，带你快速了解深度学习模型开发的大致流程，并初步掌握PaddleAPI的使用方法。

手写数字识别指的是对0~9的十个数字进行分类，即输入手写数字的图片后，能识别出图片中的数字。采用MNIST手写数字数据集，进行模型的训练和测试。该数据集包含60000张训练图片、10000张测试图片、以及对应的分类标签文件，每张图片是一个0~9的手写数字，分辨率为28*28。MNIST数据集部分图像和对应的分类标签如图3-13所示：

;3.2.1数据集定义与加载;定义数据集;#下载数据集并初始化Dataset

train_dataset=paddle.vision.datasets.NWNIST(mode=train,transform=transform)

test_dataset=paddle.vision.datasets.MNIST(mode=test,transform=transform)

#打印数据集里图片数量

print(Thenumberoftrain_datasetis{}.format(len(train_dataset)))

print(Thenumberoftest_datasetis{}.format(len(test_dataset)))

程序执行成功后，会打印输出训练集和测试集的数量，输出内容如下：

;2.使用paddle.io.Dataset自定义数据集

实际场景中，一般需要使用自有的数据来定义数据集，这时可以通过paddle.io.Dataset实现自定义数据集。

一般通过构建一个子类继承paddle.io.Dataset，并且实现下面的三个函数：

__init__：完成数据集初始化操作