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，中斷后從初始狀態重新訓練是不可接受的。 飛槳支持從上一次保存狀態開始訓練，只要我們隨時保存訓練過程中的模型狀態 ...

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 ...

和預處理操作。 模型設計：搭建神經網絡結構。 訓練配置：配置優化器、學習率、訓練參數。 ...

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，或將一維數組轉換為方陣（非對角線元素為0） dot 矩陣乘法 trace 計算對角線元素 ...

。 節省大量編寫底層代碼的精力：屏蔽底層實現，用戶只需關注模型的邏輯結構，降低了深度學習入門門檻。 ...

Numpy是Numerical Python的簡稱，是Python中高性能科學計算和數據分析的基礎包。Numpy提供了一個多維數組類型ndarray，它具有矢量算術運算和復雜廣播的能力，可以實現快速的計算並且能節省存儲空間。在使用Python調用飛槳API完成深度學習任務的過程中 ...

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 ...

在“手寫數字識別”案例的快速入門中，我們調用飛槳提供的API（paddle.dataset.mnist）加載MNIST數據集。但在工業實踐中，我們面臨的任務和數據環境千差萬別，需要編寫適合當前任務的數據處理程序。 但是編寫自定義的數據加載函數，一般會涉及以下四個部分 ...