深度學習在很多機器學習領域均有非常出色的表現，在圖像識別、語音識別、自然語言處理、機器人、網絡廣告投放、醫學自動診斷和金融等各大領域有着廣泛的應用。面對繁多的應用場景，深度學習框架可以節省大量而繁瑣的外圍工作，使建模者關注業務場景和模型設計本身。 使用深度學習框架完成建模任務有兩個顯著優勢 ...

，通常會使用Numpy實現數據預處理和一些模型指標的計算，飛槳中的Tensor數據可以很方便的和ndarr ...

本節介紹使用飛槳快速實現“手寫數字識別”的建模方法。 與“房價預測”的案例類似，我們以同樣的標准結構實現“手寫數字識別”的建模。在后續的課程中，該標准結構會反復出現，逐漸加深我們對深度學習模型的理解。深度學習模型的標准結構分如下五個步驟： 數據處理：讀取數據 ...

線性代數 Numpy中實現了線性代數中常用的各種操作，並形成了numpy.linalg線性代數相關的模塊。其中包括： diag 以一維數組的形式返回方陣的對角線（或非對角線）元素， ...

將訓練好的模型保存到磁盤之后，應用程序可以隨時加載模型，完成預測任務。但是在日常訓練工作中我們會遇到一些突發情況，導致訓練過程主動或被動的中斷。如果訓練一個模型需要花費幾天的訓練時間，中斷后從初始狀態 ...

損失函數是模型優化的目標，用於衡量在無數的參數取值中，哪一個是最理想的。損失函數的計算在訓練過程的代碼中，每一輪的訓練代碼均是一致的過程：先根據輸入數據正向計算預測輸出，再根據預測值和真實值計算損失，最后根據損失反向傳播梯度並更新參數。 在之前的方案中，我們照抄了房價預測模型的損失函數-均方誤差 ...

接下來介紹在paddlepaddle中如何使用多CPU來加速訓練。 接着前面幾節講的手寫數字識別部分，在啟動訓練前，加載數據和網絡結構的代碼部分均不變。 View Code 單GPU訓練 現實生活中，我們可能會遇到更復雜的機器學習、深度學習任務 ...

在模型訓練部分，為了保證模型的真實效果，我們需要對模型進行一些調試和優化，主要分為以下五個環節： 計算分類准確率，觀測模型訓練效果。 交叉熵損失函數只能作為優化目標，無 ...