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，中断后从初始状态重新训练是不可接受的。 飞桨支持从上一次保存状态开始训练，只要我们随时保存训练过程中的模型状态 ...

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 ...

和预处理操作。 模型设计：搭建神经网络结构。 训练配置：配置优化器、学习率、训练参数。 ...

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，或将一维数组转换为方阵（非对角线元素为0） dot 矩阵乘法 trace 计算对角线元素 ...

。 节省大量编写底层代码的精力：屏蔽底层实现，用户只需关注模型的逻辑结构，降低了深度学习入门门槛。 ...

Numpy是Numerical Python的简称，是Python中高性能科学计算和数据分析的基础包。Numpy提供了一个多维数组类型ndarray，它具有矢量算术运算和复杂广播的能力，可以实现快速的计算并且能节省存储空间。在使用Python调用飞桨API完成深度学习任务的过程中 ...

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 ...

在“手写数字识别”案例的快速入门中，我们调用飞桨提供的API（paddle.dataset.mnist）加载MNIST数据集。但在工业实践中，我们面临的任务和数据环境千差万别，需要编写适合当前任务的数据处理程序。 但是编写自定义的数据加载函数，一般会涉及以下四个部分 ...