深度学习的黄金时代已经到来

开场白

首先给Baidu打一波广告。Paddle深度学习平台，你值得学习。

它的优点

• 灵活性：PaddlePaddle支持广泛的神经网络结构和优化算法，很容易配置复杂的模型，如基于注意力（Attention）机制或复杂的内存（Memory）连接的神经机器翻译模型。（Attention和Memory参考阅读： 深度学习和自然语言处理中的attention和memory机制 、 深度学习：推动NLP领域发展的新引擎 ）
• 高效：在PaddlePaddle的不同层面进行优化，以发挥异构计算资源的效率，包括计算、内存、架构和通信等。例如：
  • 通过SSE/AVX内部函数，BLAS库（例如MKL，ATLAS，CUBLAS）或定制CPU/GPU内核优化的数学运算。
  • 高度优化循环网络，以处理可变长度序列，无需填充（Padding）。
  • 优化高维稀疏数据模型的本地和分布式训练。
• 可扩展性：PaddlePaddle很容易使用多个CPU/GPU和机器来加快你的训练，通过优化通信实现高吞吐量、高性能。
• 连接产品：PaddlePaddle易于部署。在百度，PaddlePaddle已经被部署到广大用户使用的产品或服务，包括广告点击率（CTR）的预测，大型图像分类，光学字符识别（OCR），搜索排名，计算机病毒检测，推荐等。

来自网络

初识

先做一个形象的比喻，Paddle就好比一台3D打印机，我们设计的神经网络就好比需要打印的模型，而我们的数据集就相当于原材料，把两者同时提供给这台打印机，经过一段时间就可以得到我们预期的产品--模型(Trained Model).

简言之，paddle 做的工作就是利用我们设计的模型和我们提供的数据 通过高性能的并行技术(CPU/GPU)来完成训练。

所以，我们在使用 Paddle 做深度学习时最基本的工作就是设计一个完美的模型并准备好数据。也就是要有以下几个文件:

• trainer_config.py : 配置神经网络模型
• data_provider.py : 数据提供
• train.sh : 配置paddle训练的参数

安装

paddle提供了三种安装方式：

• Docker 安装，非常便捷，但必须在Docker环境下部署。
• deb 安装，