\u200E
  • 开始使用
  • 特性
  • 文档
    • API
    • 使用指南
  • 工具平台
    • 工具
      • AutoDL
      • PaddleHub
      • PARL
      • ERNIE
      • 全部
    • 平台
      • AI Studio
      • EasyDL
      • EasyEdge
  • 资源
    • 模型和数据集
    • 学习资料
    • 应用案例
  • develop
  • 3.0-beta
  • 2.6
  • 2.5
  • 2.4
  • 2.3
  • 2.2
  • 2.1
  • 2.0
  • 1.8
  • 中文(简)
  • English(En)
  • 安装指南
    • Pip 安装
      • Linux 下的 PIP 安装
      • macOS 下的 PIP 安装
      • Windows 下的 PIP 安装
    • Conda 安装
      • Linux 下的 Conda 安装
      • macOS 下的 Conda 安装
      • Windows 下的 Conda 安装
    • Docker 安装
      • Linux 下的 Docker 安装
      • macOS 下的 Docker 安装
      • Docker 列表
    • 从源码编译
      • Linux 下使用 make 从源码编译
      • macOS 下使用 make 从源码编译
      • Linux 下使用 ninja 从源码编译
      • macOS 下使用 ninja 从源码编译
      • Windows 下从源码编译
      • 飞腾/鲲鹏下从源码编译
      • 申威下从源码编译
      • 兆芯下从源码编译
      • 龙芯下从源码编译
    • 昆仑芯 XPU 芯片
    • 海光 DCU 芯片
    • 昇腾 NPU 芯片
    • 寒武纪 MLU 芯片
    • 附录
  • 使用指南
    • 飞桨 3.0 全新特性
      • 飞桨框架 3.0 新特性
      • 自动并行训练
      • CINN 神经网络编译器
      • 高阶自动微分功能支持科学计算
      • 动转静 SOT 原理及使用
      • PIR 基本概念和开发
    • 模型开发入门
      • 10分钟快速上手飞桨
      • Tensor 介绍
      • 数据集定义与加载
      • 数据预处理
      • 模型组网
      • 模型训练、评估与推理
      • 模型保存与加载
    • 模型开发更多用法
      • 使用 VisualDL 可视化模型，数据和训练
      • 自动微分机制介绍
      • 使用 paddle.nn.Layer 自定义网络
      • 自定义Loss、Metric 及 Callback
      • 梯度裁剪方式介绍
      • 飞桨模型转 ONNX 模型
      • 隐式数据类型提升介绍
    • 动态图转静态图
      • 使用样例
      • 转换原理
      • 支持语法
      • 案例解析
      • 报错调试
      • Limitations
    • 推理部署
      • 服务器部署 — Paddle Inference
      • 移动端/嵌入式部署 — Paddle Lite
      • 模型自动化压缩工具（ACT）
    • 分布式训练
      • 分布式训练简介
      • 环境部署
      • 快速开始-数据并行
      • 快速开始-参数服务器
      • 数据并行
        • 原理和实践案例
        • 前向重计算
        • 自动混合精度
        • Gradient Merge
      • 参数服务器
        • 参数服务器概述
        • 纯 GPU 参数服务器
        • CPUPS 流式训练示例
      • 张量模型并行
      • 流水线并行
      • 分组切分并行
      • MoE
      • 静态图流水并行时序图可视化工具
    • 性能调优
      • 自动混合精度训练（AMP）
      • 模型性能分析（Profiler）
      • 训练全流程自动调优（Beta）
    • 模型迁移
      • 迁移指南
      • 从 PyTorch 迁移到飞桨
        • 代码自动转换工具
        • PyTorch 最新 release 与 Paddle develop API 映射表
        • CV - 快速上手
        • CV - 迁移经验汇总
        • NLP - 快速上手
        • NLP - 迁移经验汇总
        • 解读网络结构转换
        • 解读 Bert 模型权重转换
        • PyTorch 自定义算子转写教程
      • 使用 X2Paddle 迁移推理模型
      • 迁移飞桨旧版本
        • 升级指南
        • 版本迁移工具
        • 兼容载入旧格式模型
        • Paddle 1.8 与 Paddle 2.0 API 映射表
      • 附录: 飞桨框架 2.x
    • 硬件支持
      • 飞桨产品硬件支持表
      • 昆仑芯 XPU 芯片
        • 昆仑芯 XPU 安装说明
        • 昆仑芯 XPU 运行示例
        • 昆仑芯 XPU 支持模型
      • 海光 DCU 芯片
        • 海光 DCU 安装说明
        • 海光 DCU 运行示例
        • 海光 DCU 支持模型
      • 昇腾 NPU 芯片
        • 昇腾 NPU 安装说明
        • 昇腾 NPU 运行示例
      • 寒武纪 MLU 芯片
        • 寒武纪 MLU 安装说明
        • 寒武纪 MLU 运行示例
        • 寒武纪 MLU 支持模型
    • 自定义算子
      • 自定义 C++算子
      • 自定义 C++ 扩展
      • 自定义 Python 算子
    • 环境变量 FLAGS
      • cudnn
      • 数值计算
      • 调试
        • check nan inf 工具
      • 设备管理
      • 分布式
      • 执行器
      • 存储管理
      • 昇腾 NPU
      • 其他
  • 硬件支持
    • 飞桨产品硬件支持表
    • 昆仑芯 XPU 芯片
      • 昆仑芯 XPU 基于框架的使用指南
      • 昆仑芯 XPU 基于 PaddleX 的使用指南
      • 昆仑芯 XPU 支持模型
    • 海光 DCU 芯片
      • 海光 DCU 基于框架的使用指南
      • 海光 DCU 基于 PaddleX 的使用指南
      • 海光 DCU 验证模型
    • 昇腾 NPU 芯片
      • 昇腾 NPU 基于框架的使用指南
      • 昇腾 NPU 基于 PaddleX 的使用指南
      • 昇腾 NPU 验证模型
    • 寒武纪 MLU 芯片
      • 寒武纪 MLU 基于框架的使用指南
      • 寒武纪 MLU 基于 PaddleX 的使用指南
      • 寒武纪 MLU 验证模型
  • 应用实践
    • 快速上手
      • hello paddle: 从普通程序走向机器学习程序
      • 动态图
      • 飞桨高层API使用指南
      • 模型保存及加载
      • 使用线性回归预测波士顿房价
    • 计算机视觉
      • 使用LeNet在MNIST数据集实现图像分类
      • 使用卷积神经网络进行图像分类
      • CIFAR-100数据集上基于Vision Transformer 实现图片分类
      • GAMMA比赛多模态眼底图像数据集下基于EfficientNet和ResNet构造fundus_img和oct_img的分类模型
      • MosMedData: 新冠肺炎胸部 CT扫描数据集上基于3D-CNN实现二分类
      • 基于图片相似度的图片搜索
      • 基于U-Net卷积神经网络实现宠物图像分割
      • 通过OCR实现验证码识别
      • 通过Sub-Pixel实现图像超分辨率
      • 人脸关键点检测
      • 点云处理：实现PointNet点云分类
      • 点云处理：实现PointNet点云分割
    • 自然语言处理
      • 用N-Gram模型在莎士比亚文集中训练word embedding
      • IMDB 数据集使用BOW网络的文本分类
      • 使用预训练的词向量完成文本分类任务
      • 使用注意力机制的LSTM的机器翻译
      • 基于Transformer实现英语到西班牙语的翻译任务
      • 使用序列到序列模型完成数字加法
    • 推荐
      • 使用协同过滤实现电影推荐
    • 强化学习
      • 强化学习——Actor Critic Method
      • 强化学习——Advantage Actor-Critic(A2C)
      • 强化学习——Deep Deterministic Policy Gradient (DDPG)
      • 强化学习——DQN玩合成大西瓜
      • 用飞桨框架2.0造一个会下五子棋的AI模型
    • 时序数据
      • 通过AutoEncoder实现时序数据异常检测
      • Jena Climate时间序列数据集上使用LSTM进行温度的预报
      • 证券数据集下使用LSTM模型预测A股走势
    • 动转静
      • 使用动转静完成以图搜图
    • 生成式对抗网络
      • 图像风格迁移模型-CycleGAN
      • 通过DCGAN实现人脸图像生成
      • MNIST数据集下用Paddle框架的动态图模式玩耍经典对抗生成网络（GAN）
      • 城市街景分割数据集下使用对抗网络Pix2Pix根据掩码生成街景
  • API 文档
  • 贡献指南
    • 概述
    • 代码贡献流程
    • 新增 API 开发&提交流程
      • 贡献前阅读
      • 开发 API Python 端
      • 开发 C++ 算子
      • API 设计和命名规范
      • API 文档书写规范
      • API 单测开发及验收规范
    • 算子性能优化 提交流程
      • 算子性能优化 方法介绍
      • 算子性能优化 验收规范
      • Kernel Primitive API
        • API 介绍
          • API 介绍 - IO
          • API 介绍 - Compute
          • API 介绍 - OpFunc
        • API 示例
          • 示例 - ElementwiseAdd
          • 示例 - Reduce
          • 示例 - Model
    • 算子数据类型扩展 提交流程
      • 算子数据类型扩展 验收规范
    • 低精度算子开发贡献指南
      • 低精度算子支持开发规范
      • 低精度算子单测开发规范
    • 曙光开发指南
      • 曙光智算平台-Paddle 源码编译和单测执行
      • Paddle 适配 C86 加速卡详解
      • Paddle 框架下 ROCm(HIP)算子单测修复指导
    • 硬件接入飞桨后端指南
      • 硬件接入飞桨后端方案介绍
      • 训练硬件 Custom Device 接入方案介绍
      • 自定义 Runtime
        • 数据类型
        • Device 接口
        • Memory 接口
        • Stream 接口
        • Event 接口
        • 集合通讯接口
        • Profiler 接口
      • 自定义 Kernel
        • Kernel 函数声明
        • Kernel 实现接口
          • Context API
          • Tensor API
          • Exception API
        • Kernel 注册接口
      • 新硬件接入示例
    • 文档贡献指南
    • 规范和参考信息
      • 代码规范
      • 报错信息文案书写规范
      • 代码风格检查指南
      • Paddle CI 测试详解
      • Python 文档示例代码书写规范
      • Paddle 中的类型提示与 Q&A
  • 常见问题与解答
    • 2.0 升级常见问题
    • 安装常见问题
    • 数据及其加载常见问题
    • 组网、训练、评估常见问题
    • 模型保存常见问题
    • 参数调整常见问题
    • 分布式训练常见问题
    • 其他常见问题
  • 3.0 Beta Release Note
  • Pip 安装
  • »
  • 安装指南 »
  • Pip 安装
  • 在 GitHub 上修改

Pip 安装¶

  • Linux 下的 PIP 安装
  • macOS 下的 PIP 安装
  • Windows 下的 PIP 安装