You need to enable JavaScript to run this app.
\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
从源码编译
Linux 下从源码编译
MacOS 下从源码编译
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
昆仑 XPU 芯片安装及运行飞桨
海光 DCU 芯片运行飞桨
NGC 飞桨容器安装指南
附录
使用指南
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
Paddle 中的模型与层
自定义Loss、Metric 及 Callback
梯度裁剪方式介绍
Paddle 模型导出 ONNX 协议
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
推理部署
服务器部署 — Paddle Inference
移动端/嵌入式部署 — Paddle Lite
模型压缩 — PaddleSlim
分布式训练
Paddle 分布式整体介绍
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
张量模型并行
流水线并行
分组切分并行
MoE
性能调优
自动混合精度训练(AMP)
飞桨模型量化
模型性能分析(Profiler)
模型迁移
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
PyTorch 1.8 与 Paddle 2.0 API 映射表
硬件支持
飞桨产品硬件支持表
昆仑芯片运行飞桨
飞桨对昆仑芯 2 代芯片的支持
飞桨框架昆仑 2 代芯片安装说明
飞桨框架昆仑 2 代芯片训练示例
飞桨对昆仑 XPU 芯片的支持
飞桨框架昆仑 XPU 版安装说明
飞桨框架昆仑 XPU 版训练示例
飞桨预测库昆仑 XPU 版安装及使用示例
海光 DCU 芯片运行飞桨
飞桨框架 ROCm 版支持模型
飞桨框架 ROCm 版安装说明
飞桨框架 ROCm 版训练示例
飞桨框架 ROCm 版预测示例
昇腾 NPU 芯片运行飞桨
飞桨框架昇腾 NPU 版安装说明
飞桨框架昇腾 NPU 版训练示例
Graphcore IPU 芯片运行飞桨
飞桨框架 IPU 版安装说明
飞桨框架 IPU 版训练示例
飞桨框架 IPU 版预测示例
寒武纪 MLU 芯片运行飞桨
飞桨框架寒武纪 MLU 版安装说明
飞桨框架 MLU 版训练示例
飞桨框架寒武纪 MLU 版支持模型
自定义算子
自定义 C++算子
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
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
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
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
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——Deep Deterministic Policy Gradient (DDPG)
时序数据
通过AutoEncoder实现时序数据异常检测
动转静
使用动转静完成以图搜图
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
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
自定义新硬件接入指南
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
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
2.4.1 Release Note
推荐
»
应用实践
»
推荐
在 GitHub 上修改
推荐
¶
这里提供了一篇推荐的示例:
电影推荐
: 介绍使用 PaddlePaddle 实现协同过滤完成电影推荐。