全面支持三大主流環境 百度PaddlePaddle新增Windows環境支持

引言

PaddlePaddle作為國內首個深度學習框架，最近發佈了更加強大的Fluid1.2版本, 增加了對Windows環境的支持，全面支持了Linux、Mac、 Windows三大環境。 PaddlePaddle在功能完備的基礎上，也儘量秉承易學易用的特點，在Windows的安裝方面，體現了一鍵式的特點，大部分情況下，只需要一條簡單的命令就可以完成安裝。 用戶在使用的過程中可能會面對安裝和編譯方面的問題，下面就從這兩個方面來分別說明。

<code>下載安裝命令

 
pip install -f 
https:
/
/paddlepaddle.org.cn/pip
/oschina/cpu
 paddlepaddle

 
pip install -f 
https:
/
/paddlepaddle.org.cn/pip
/oschina/gpu
 paddlepaddle-gpu/<code>

安裝

在深度學習框架上， Python語言由於本身的易用性和豐富的類庫，被眾多深度學習框架作為了應用方面的首選，PaddlePaddle也將Python語言作為了自己的應用語言，如下介紹在Python下怎麼安裝PaddlePaddle。

1.系統檢查

PaddlePaddle目前支持Windows7,8,10系列的專業和企業版本，且只支持64位的操作系統。 PaddlePaddle目前支持的Python版本覆蓋了2.7,3.5,3.6,3.7版本，基本上包含了目前主流使用的所有python版本，可以通過如下方式檢查操作系統和python版本情況

1. >>>import platform
2. >>>platform.architecture()
3. ('64bit','WindowsPE') # 64 bits on windows 64 bits
4. >>> platform.version()
5. '10.0.17134' # windows 10
6. >>> platform.python_version()
7. '2.7.15' # python 2.7

如筆者自己的系統就顯示瞭如上信息。

2.拉取安裝包的方式

PaddlePaddle可以選擇通過pip命令在線或離線安裝，下面展示一下如何離線下載安裝包。

PaddlePaddle的安裝包已經放到了python官方支持的發佈渠道上，打開https://pypi.org/ 網站，按圖中所示輸入Paddlepaddle，

用戶將會得到當前所有的PaddlePaddle安裝包，根據系統和Python版本號選擇對應版本即可

3.安裝過程

如果是在線安裝，用戶直接輸入 pip install paddlepaddle即可正常安裝。 如果是離線安裝，用戶輸入 pip install paddlepaddle_xxx.whl 包也可以完成安裝。

通常情況下pip命令伴隨Python安裝包一起已經得到安裝，如果用戶發現自己沒有安裝pip，可以到
https://pip.pypa.io/en/stable/installing/ ，按照提示安裝pip即可。

如果出現錯誤，用戶可以檢查

請使用管理員權限賬戶操作（比如Administrator賬號），並確保使用64位Python（查看系統檢查章節）

通過 控制面板 – 賬號 – 管理用戶賬號 即可看到如上界面。

4.安裝完成檢查

安裝完成後，用戶可以打開Python命令，輸入如下語句，

1. >>> import paddle.fluid
2. >>> print(paddle.__version__)
3. 1.2.0 # 當前paddle版本

如果出現錯誤，用戶可以檢查PaddlePaddle依賴python的動態庫，如果當前Python沒有選擇安裝到環境變量，則可能出現找不到依賴庫的情況，用戶可以在如下圖中加入環境路徑，再次啟動即可。

編譯

不想自己做編譯的用戶可以直接跳過此節。

1.前期準備

1）環境檢查:當前Paddle的編譯只支持window10 專業/企業版本。

2）工具準備

2.1 請安裝Visual Studio 2015 update3版本。

2.2請到

https://cmake.org/download/ 下載cmake 3.0及以上版本 安裝

2.3請到
https://git-scm.com/download/win 下載git安裝

2.4請到 https://www.python.org/ 下載python安裝，請注意當前支持版本為2.7,3.5,3.6,3.7

*請到
https://pip.pypa.io/en/stable/installing/ 下載pip安裝

*請運行 pip install protobuf numpy wheel

2. 編譯過程

PaddlePaddle的編譯過程需要保證網絡可用，因為部分依賴包需要通過網絡環境獲取。 PaddlePaddle編譯需要訪問 https://github.com/

1）用戶需要到

https://github.com/paddlepaddle/paddle 下載源代碼，選擇 release 1.2 分支，下載zip包或者 通過命令

git clone https://github.com/paddlepaddle/paddle cd paddle git checkout release /1.2

2）在源代碼目錄下，建一個build子目錄並進入

3）運行

1. cmake .. -G "Visual Studio 14 2015 Win64" -DPYTHON_INCLUDE_DIR=${PYTHON_INCLUDE_DIRS} -DPYTHON_LIBRARY=${PYTHON_LIBRARY} -DPYTHON_EXECUTABLE=${PYTHON_EXECUTABLE} -DWITH_FLUID_ONLY=ON -DWITH_GPU=OFF -DWITH_TESTING=OFF -DCMAKE_BUILD_TYPE=Release

註釋：

a.其中PYTHONINCLUDEDIRS指的是python的include目錄，比如 c:\Python35\include\ b.其中PYTHONLIBRARY指定是pythonxx.lib所在的目錄，比如c:\Python35\libs\ c.其中PYTHONEXECUTABLE指的是python.exe，比如c:\Python35\ python.exe d.其中DWITHFLUIDONLY=ON指的是paddlepaddle在windows下只支持fluid版本 e.其中WITHGPU=OFF指的是paddlepaddle當前只支持CPU f.其中WITHTESTING=OFF指的是關閉測試 g.其中CMAKEBUILDTYPE=Release指的是隻支持Release編譯 h.其中-G "Visual Studio 14 2015 Win64"指的是隻支持VS2016的64bit編譯

4） 目錄下會生成paddle.sln文件，用Visual Studio 2015打開，選擇64位Release模式，開始編譯。

編譯完成檢查

1. 檢查方法

如果編譯過程不出錯則表明編譯成功，用戶可以到 build\python\dist 目錄下查找對應的生成 whl 文件。

2. 常見編譯問題

【問】為什麼我的paddle.sln文件沒有生成？ 【答】請按編譯過程要求檢查是安裝了指定的軟件和版本

【問】編譯過程中為什麼出現ssl一類的網絡錯誤？ 【答】編譯過程需要訪問網絡，請檢查系統代理和網絡連通情況。

【問】whl文件為什麼沒有生成？ 【答】請按編譯過程要求檢查python的變量是否正確設置。

訓練模型檢測

1.導入網絡

PaddlePaddle在使用方面為了貼合用戶需求，儘量做到了將複雜的概念簡化，深度學習用戶將網絡結構會理解為多個層結構的疊加，相對應的，PaddlePaddle也對應的有了層的封裝。 在定義網絡方面，用戶可以統一使用fluid.layers裡面定義好的結構，來方面的構建一個神經網絡結構，比如

1. # Include libraries.
2. import paddle
3. import paddle.fluid as fluid
4. import numpy
5. # Configure the neural network.
6. def net(x, y):
7. y_predict = fluid.layers.fc(input=x, size=1, act=None)
8. cost = fluid.layers.square_error_cost(input=y_predict, label=y)
9. avg_cost = fluid.layers.mean(cost)
10. return y_predict, avg_cost

2. 定義訓練和預測函數

訓練和預測方面，可以統一成為輸入，計算和輸出三個大的方面，用戶可以使用fluid.layers.data來定義輸入數據，對應在具體在執行層面，executor的run函數中，使用feed來接受輸入數據。

下面可以定義預測函數和訓練函數，示例

1. # Define train function.
2. def train(save_dirname):
3. x = fluid.layers.data(name='x', shape=[13], dtype='float32')
4. y = fluid.layers.data(name='y', shape=[1], dtype='float32')
5. y_predict, avg_cost = net(x, y)
6. sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.001)
7. sgd_optimizer.minimize(avg_cost)
8. train_reader = paddle.batch(
9. paddle.reader.shuffle(paddle.dataset.uci_housing.train(), buf_size=500),
10. batch_size=20)
11. place = fluid.CPUPlace()
12. exe = fluid.Executor(place)
13. def train_loop(main_program):
14. feeder = fluid.DataFeeder(place=place, feed_list=[x, y])
15. exe.run(fluid.default_startup_program())
16. PASS_NUM = 1000
17. for pass_id in range(PASS_NUM):
18. total_loss_pass = 0
19. for data in train_reader():
20. avg_loss_value, = exe.run(
21. main_program, feed=feeder.feed(data), fetch_list=[avg_cost])
22. total_loss_pass += avg_loss_value
23. if avg_loss_value < 5.0:
24. if save_dirname is not None:
25. fluid.io.save_inference_model(
26. save_dirname, ['x'], [y_predict], exe)
27. return
28. print("Pass %d, total avg cost = %f" % (pass_id, total_loss_pass))
29. train_loop(fluid.default_main_program())
30. # Infer by using provided test data.
31. def infer(save_dirname=None):
32. place = fluid.CPUPlace()
33. exe = fluid.Executor(place)
34. inference_scope = fluid.core.Scope()
35. with fluid.scope_guard(inference_scope):
36. [inference_program, feed_target_names, fetch_targets] = (
37. fluid.io.load_inference_model(save_dirname, exe))
38. test_reader = paddle.batch(paddle.dataset.uci_housing.test(), batch_size=20)
39. test_data = test_reader().next()
40. test_feat = numpy.array(map(lambda x: x[0], test_data)).astype("float32")
41. test_label = numpy.array(map(lambda x: x[1], test_data)).astype("float32")
42. results = exe.run(inference_program,
43. feed={feed_target_names[0]: numpy.array(test_feat)},
44. fetch_list=fetch_targets)
45. print("infer results: ", results[0])
46. print("ground truth: ", test_label)

3. 執行訓練和預測

接著可以簡單調用上面定義函數，訓練過程會產生輸出，用戶可以自定義輸出目錄，在後面的預測過程中，加載訓練輸出的模型

1. # Run train and infer.
2. if __name__ == "__main__":
3. save_dirname = "fit_a_line.inference.model"
4. train(save_dirname)
5. infer(save_dirname)

程序將輸出預測結果，比如在筆者的環境中輸出為（僅作參考，用戶環境可能有出入） 非常歡迎您為PaddlePaddle貢獻文檔，我們的文檔在PaddlePaddle/FluidDoc (
https://github.com/PaddlePaddle/FluidDoc) 中統一管理，如您對PaddlePaddle有任何問題，也非常歡迎您在此Repo提交Issue，您的反饋是我們進步的動力！

<code>下載安裝命令

 
pip install -f 
https:
/ 
/paddlepaddle.org.cn/pip
/oschina/cpu
 paddlepaddle

 
pip install -f 
https:
/
/paddlepaddle.org.cn/pip
/oschina/gpu
 paddlepaddle-gpu/<code>

原文：
https://my.oschina.net/u/4067628/blog/3210340

作者：飛槳PaddlePaddle