1.就我而言，tensorflow有過一定基礎，也跑過一些網路，但paddlepaddle相對於tensorflow還是方便很多，覺得應該是得益於封裝的比較完美【聽說pytorch也是這樣，暫時還沒了解】
2.paddle 底層是c++的，第一次用到動態圖模式，還是比較感興趣，在七日訓練營裡的**裡，有很多python的高階語法（就我而言~），迭代器，裝飾器，繼承，第一次用大繼承 fiuld.layers的父類我都懵了，不過還好，熟悉之後上手真的很快
3.最讓我驚喜的一點，paddle支援一鍵遷移學習（paddlehub），一鍵模型剪枝，量化（paddlesliem），可以我很輕鬆怕跑很多網路，但同時也感嘆要學習的東西太多，調調模型api還不夠，背後的演算法原理還要啃清楚， 不過好難呀
c =
( pie(
).add(
series_name=
'provice'
, data_pair= china_data,
center=
['50%'
,'50%'],
rosetype =
'radius'
,#顯示餅圖的比例 是圓心角 還是半徑
label_opts=opts.labelopts(position=
"center"),
).set_global_opts(title_opts=opts.titleopts(title=
"全國疫情"),
legend_opts = opts.legendopts(type_=
"scroll"
, pos_left=
"80%"
, orient=
"vertical"),
). set_series_opts(label_opts=opts.labelopts(formatter=
": "))
.render(
"national_base.html"
)
這次訓練營的第二個好處是 理論知識清晰，風格比較親近，ppt的內容因為有過基礎一眼能看明白
第二天的要求是寫乙個簡單前饋神經網路，但是我當時一直糾結在super的父類，一直資料載入器的裝飾函式上，就簡單寫了乙個淺層的cnn，也沒有優化,測試集效果也不好~~
第三天到第七天這裡就不一一講了，總體來說，看了很多文件api，包括paddle，paddlehub，paddleslim，很多看都眼睛都花了，也出現很多錯誤，但可惜的是，paddlepaddle還是正在發展壯大中，很多錯誤網上都查詢不到，所以以後有機會記錄下在paddle中遇到的坑，方便後來人。這裡簡單介紹下 第5天的**密度比賽的思路：
該專案是**密度**常規賽的一種解決**，旨在提供一種問題建模的思路，僅供初步的學習和參考。本專案通過端到端的訓練cnn網路來提取輸入影象的**密度圖，並通過密度圖來得到最終的人數統計。具體思路如下：自己看**也看了很久，算是理解比較透徹，這不一早起來搶gpu資源，也希望能能早點借助paddle完成自己的畢設。1.對資料進行預處理操作，包括對影象進行resize、對label進行對應的對映，使其與resize後的影象對應；
2.根據提供的訓練資料來生成對應的密度圖，具體採用高斯濾波來生成； 構建cnn網路
3.使用預處理後的影象和其對應的密度圖來訓練cnn網路，網路的損失函式使用**密度圖和實際密度圖之間的均方根誤差
4.通過計算密度圖的畫素和來確定**密度
百度深度學習paddle框架和學習平台
專案中鏈結了伺服器平台，完整的 演示以及資料 硬體 包括伺服器免費試用多個gpu核進行運算 資料跑起來爽到飛起 完整的 演示，不用擔心各種字寫 各種找bug notbook實時執行效果。各種引數隨時調整，優化。基於以上幾點，我執行程式，一步步理解 實現演算法效果，幾乎毫無壓力。等我結業那天應該能算是...
百度parl框架學習感受
很久沒有在csdn寫部落格了，因為所在地區的問題，csdn部落格在過去有幾年都無法訪問，現在重新開始。最近兩個月，由於工作上的需要開始研究深度學習和強化學習，一併開始尋找可用的深度學習框架。最初的選擇是在tensorflow和pytorch之間，因為它們是當前最流行的機器學習框架，網上資料比較多，學...
參加百度深度學習培訓總結
總結這部分提交乙個aistudio平台的公開專案，通過修改部分 實現了乙個水下海珍品目標檢測的案例，由於是初學者，效果不夠理想，請大佬輕噴。所採用的資料集來自 全國水下機械人大賽 官方資料 結果展示 將多張結果製作成gif，不是網圖 上述內容可能表述的比較簡單，不是那麼的全面，真的希望各位看官關注一...