fluid

本文作者：杨蕊1002 飞桨（PaddlePaddle）是国内唯一功能完备的端到端开源深度学习平台，集深度学习训练和预测框架、模型库、工具组件、服务平台为一体，其兼具灵活和效率的开发机制、工业级应用效果的模型、超大规模并行深度学习能力、推理引擎一体化设计以及系统化的服务支持，致力于让深度学习技术的创新与应用更简单。 从Paddle Fluid v1.0以来，飞桨致力于打造更好的用户体验，趁着百度开发者大会，也为用户精心准备了一份大礼，在开发、训练及部署全流程上进行了全新升级，发布了飞桨的五大特性。接下来小编为您一一解读。 一、动态图&静态图 - 兼具动态图和静态图两种计算图的优势 从飞桨核心框架Padlde Fluid v1.5开始，飞桨同时为用户提供动态图和静态图两种机制。静态图是先定义网络结构而后运行，对定义好的图结构进行分析，可以使运行速度更快，显存占用更低，在业务部署上线上的具有非常大的优势，为用户的AI应用落地提供高效支持。但是静态图组网和执行阶段是分开，对于新用户理解起来不太友好。 飞桨从最新版本开始，提供了更方便的动态图模式，所有操作可以立即获得执行结果，而不必等到执行阶段才能获取到结果，这样可以更方便进行模型的调试，同时还减少了大量用于构建Executor等代码，使得编写、调试网络的过程变得更加便捷。用户可以使用更加便捷的动态图模式进行调试、训练

layer代码 $(".info_detail").on('click', function () { var uid = $(this).data('uid'); //iframe层 layer.open({ type: 2, title: '查看金额明细', shadeClose: true, shade: 0.6, area: ['780px', '600px'], // content: 'money_log?uid=' + uid + '&utype=3' content: '__APP__/Public/money_log?uid=' + uid + '&utype=3' }); }); php代码 /** * 金额日志 */ public function money_log() { $uid = $_GET['uid']; $utype = $_GET['utype']; $money_log = M('money_log'); $page = 1; if(!empty($_GET['page'])){ $page=(int)$_GET['page']; } $this->assign('page',$page); $step = C('PAGE_NORMAL_COUNT'); $model = D('Page'); $start = ($page-1)*$step

本文作者：杨蕊1002 飞桨（PaddlePaddle）是国内唯一功能完备的端到端开源深度学习平台，集深度学习训练和预测框架、模型库、工具组件、服务平台为一体，其兼具灵活和效率的开发机制、工业级应用效果的模型、超大规模并行深度学习能力、推理引擎一体化设计以及系统化的服务支持，致力于让深度学习技术的创新与应用更简单。 从Paddle Fluid v1.0以来，飞桨致力于打造更好的用户体验，趁着百度开发者大会，也为用户精心准备了一份大礼，在开发、训练及部署全流程上进行了全新升级，发布了飞桨的五大特性。接下来小编为您一一解读。 一、动态图&静态图 - 兼具动态图和静态图两种计算图的优势 从飞桨核心框架Padlde Fluid v1.5开始，飞桨同时为用户提供动态图和静态图两种机制。静态图是先定义网络结构而后运行，对定义好的图结构进行分析，可以使运行速度更快，显存占用更低，在业务部署上线上的具有非常大的优势，为用户的AI应用落地提供高效支持。但是静态图组网和执行阶段是分开，对于新用户理解起来不太友好。 飞桨从最新版本开始，提供了更方便的动态图模式，所有操作可以立即获得执行结果，而不必等到执行阶段才能获取到结果，这样可以更方便进行模型的调试，同时还减少了大量用于构建Executor等代码，使得编写、调试网络的过程变得更加便捷。用户可以使用更加便捷的动态图模式进行调试、训练

3 月，跳不动了？>>> 导读：飞桨PaddlePaddle致力于让深度学习技术的创新与应用更简单。飞桨核心框架已提供了动态图(DyGraph)相关的API和文档，并且还附有Language model、Sentiment Classification、OCR、ResNet等模型的动态图版本官方实现。飞桨目前兼具了动态图和静态图的优势，同时具备灵活性和高效性。 飞桨动态图&静态图整体结构如下： 1. 动态图与静态图 目前深度学习框架主要有声明式编程和命令式编程两种编程方式。声明式编程，代码先描述要做的事情但不立即执行，对深度学习任务建模，需要事先定义神经网络的结构，然后再执行整个图结构，这一般称为静态图模式。而命令式编程对应的动态图模式，代码直接返回运算的结果，神经网络结构的定义和执行同步。通常来说，静态图模式能够对整体性做编译优化，更有利于性能的提升，而动态图则非常便于用户对程序进行调试。 2. 飞桨动态图的三大特色 飞桨的DyGraph模式是一种动态的图执行机制。与静态计算图的执行机制不同，DyGraph模式下的操作可以立即获得执行结果，而不必等待计算图全部构建完成。这样可以让开发者更加直观地构建深度学习任务并进行模型的调试，同时还减少了大量用于构建静态计算图的代码，使得编写、调试网络的过程变得非常便捷。 飞桨DyGraph动态图模式，主要有三大特色： 灵活便捷的代码书写方式

19年开始决定认认真真的学习飞浆，并且把飞浆作为自己未来五年职业生涯的核心。在明确了目标以后，就要行动起来，并且要做到坚持不懈、周而复始。 在参加集训营之前，一遍遍的看飞浆官方文档是我学习飞浆的主要方法。其次就是复现官方案例，尽量让自己读懂、熟悉每一行代码。学习官方文档可以让我系统的了解飞浆，并且可以在我有疑问的时来这里找到答案。不到一个月的时间，我就可以使用飞浆跑一些经典的案例。 看文档总归会有一些枯燥，时间长了会让学习的激情消减。然而我遇到的最可怕的问题是理解的内容与实际应用产生了偏差。比如fluid.data中对shape参数的理解，不同的案例会有不同的解释，这一度让我很困惑。 拨开云雾见青天，参加集训营让我一步步靠近飞浆，对飞浆有了越来越深刻的理解。下面我总结一下集训营给了我哪些帮助： 激励 参加本次集训营正好是疫情期间，在家办公的效率本不是太高。但是集训营通过每天发布任务、打榜有奖励的形式，给我营造了一种紧张氛围。让我想不到的是有两天我竟然早上七点半就起来开始跑模型了。 实践 实践出真知。集训营期间为了提高模型效果，绞尽脑汁的去做各种尝试，也许经验不足，但是主动努力的过程是深刻的。比如一张shape为（32， 32, 3）的彩色图片，在PaddlePaddle中使用需要把通道放在最前面，即转换为（3， 32， 32），用reshape还是transpose来转化呢？

【飞桨开发者说】文瑞洁，中科院信工所工程师，主要研究领域：深度学习、自然语言处理。 本实验代码已在AI Studio公开，访问链接进入： https://aistudio.baidu.com/aistudio/projectdetail/263255 社交媒体的发展在加速信息传播的同时，也带来了虚假谣言信息的泛滥，往往会引发诸多不安定因素，并对经济和社会产生巨大的影响。 2016年美国总统大选期间，受访选民平均每人每天接触到4篇虚假新闻，虚假新闻被认为影响了2016年美国大选和英国脱欧的投票结果；近期，在新型冠状病毒感染的肺炎疫情防控的关键期，在全国人民都为疫情揪心时，网上各种有关疫情防控的谣言接连不断，从“广州公交线路因新型冠状病毒肺炎疫情停运”到“北京市为防控疫情采取封城措施”，从“钟南山院士被感染”到“10万人感染肺炎”等等， 这些不切实际的谣言，“操纵”了舆论感情，误导了公众的判断，更影响了社会稳定 。 人们常说“流言止于智者”，要想不被网上的流言和谣言盅惑、伤害，首先需要对其进行科学甄别，而时下人工智能正在尝试担任这一角色。那么，在打假一线AI技术如何做到去伪存真？ 传统的谣言检测模型一般根据谣言的内容、用户属性、传播方式人工地构造特征，而人工构建特征存在考虑片面、浪费人力等现象。本次实践使用基于循环神经网络（RNN）的谣言检测模型，将文本中的谣言事件向量化

本案例参考课程：百度架构师手把手教深度学习的内容。 主要目的为练习vgg动态图的PaddlePaddle实现。 本案例已经在AISTUDIO共享，链接为： https://aistudio.baidu.com/aistudio/projectdetail/244766 数据集iChallenge-PM： 数据集图片 iChallenge-PM中既有病理性近视患者的眼底图片，也有非病理性近视患者的图片，命名规则如下： 病理性近视（PM）：文件名以P开头 非病理性近视（non-PM）： 高度近似（high myopia）：文件名以H开头 正常眼睛（normal）：文件名以N开头 我们将病理性患者的图片作为正样本，标签为1； 非病理性患者的图片作为负样本，标签为0。从数据集中选取两张图片，通过LeNet提取特征，构建分类器，对正负样本进行分类，并将图片显示出来。 算法： VGG VGG是当前最流行的CNN模型之一，2014年由Simonyan和Zisserman提出，其命名来源于论文作者所在的实验室Visual Geometry Group。AlexNet模型通过构造多层网络，取得了较好的效果，但是并没有给出深度神经网络设计的方向。VGG通过使用一系列大小为3x3的小尺寸卷积核和pooling层构造深度卷积神经网络，并取得了较好的效果。VGG模型因为结构简单、应用性极强而广受研究者欢迎