深度学习在很多机器学习领域均有非常出色的表现，在图像识别、语音识别、自然语言处理、机器人、网络广告投放、医学自动诊断和金融等各大领域有着广泛的应用。面对繁多的应用场景，深度学习框架可以节省大量而繁琐的外围工作，使建模者关注业务场景和模型设计本身。 使用深度学习框架完成建模任务有两个显著优势 ...

，通常会使用Numpy实现数据预处理和一些模型指标的计算，飞桨中的Tensor数据可以很方便的和ndarr ...

本节介绍使用飞桨快速实现“手写数字识别”的建模方法。 与“房价预测”的案例类似，我们以同样的标准结构实现“手写数字识别”的建模。在后续的课程中，该标准结构会反复出现，逐渐加深我们对深度学习模型的理解。深度学习模型的标准结构分如下五个步骤： 数据处理：读取数据 ...

线性代数 Numpy中实现了线性代数中常用的各种操作，并形成了numpy.linalg线性代数相关的模块。其中包括： diag 以一维数组的形式返回方阵的对角线（或非对角线）元素， ...

将训练好的模型保存到磁盘之后，应用程序可以随时加载模型，完成预测任务。但是在日常训练工作中我们会遇到一些突发情况，导致训练过程主动或被动的中断。如果训练一个模型需要花费几天的训练时间，中断后从初始状态 ...

损失函数是模型优化的目标，用于衡量在无数的参数取值中，哪一个是最理想的。损失函数的计算在训练过程的代码中，每一轮的训练代码均是一致的过程：先根据输入数据正向计算预测输出，再根据预测值和真实值计算损失，最后根据损失反向传播梯度并更新参数。 在之前的方案中，我们照抄了房价预测模型的损失函数-均方误差 ...

接下来介绍在paddlepaddle中如何使用多CPU来加速训练。 接着前面几节讲的手写数字识别部分，在启动训练前，加载数据和网络结构的代码部分均不变。 View Code 单GPU训练 现实生活中，我们可能会遇到更复杂的机器学习、深度学习任务 ...

在模型训练部分，为了保证模型的真实效果，我们需要对模型进行一些调试和优化，主要分为以下五个环节： 计算分类准确率，观测模型训练效果。 交叉熵损失函数只能作为优化目标，无 ...