快速开始
===========
快速安装
----------
PaddlePaddle支持使用pip快速安装， 执行下面的命令完成CPU版本的快速安装：
.. code-block:: bash
pip install -U paddlepaddle
如需安装GPU版本的PaddlePaddle，执行下面的命令完成GPU版本的快速安装:
.. code-block:: bash
pip install -U paddlepaddle-gpu
同时请保证您参考NVIDIA官网，已经正确配置和安装了显卡驱动，`CUDA 9 `_ ，`cuDNN 7.3 `_ ，`NCCL2 `_ 等依赖，其他更加详细的安装信息请参考：`安装说明 <../beginners_guide/install/index_cn.html>`_
快速使用
-------------
首先，您需要导入fluid库
.. code-block:: python
import paddle.fluid as fluid
* Tensor操作
下面几个简单的案例，可以帮助您快速了解Fluid：
1.使用Fluid创建5个元素的一维数组，其中每个元素都为1
.. code-block:: python
# 定义数组维度及数据类型，可以修改shape参数定义任意大小的数组
data = fluid.layers.ones(shape=[5], dtype='int64')
# 在CPU上执行运算
place = fluid.CPUPlace()
# 创建执行器
exe = fluid.Executor(place)
# 执行计算
ones_result = exe.run(fluid.default_main_program(),
# 获取数据data
fetch_list=[data],
return_numpy=True)
# 输出结果
print(ones_result[0])
可以得到结果：
.. code-block:: text
[1 1 1 1 1]
2.使用Fluid将两个数组按位相加
.. code-block:: python
# 调用 elementwise_op 将生成的一维数组按位相加
add = fluid.layers.elementwise_add(data,data)
# 定义运算场所
place = fluid.CPUPlace()
exe = fluid.Executor(place)
# 执行计算
add_result = exe.run(fluid.default_main_program(),
fetch_list=[add],
return_numpy=True)
# 输出结果
print (add_result[0])
可以得到结果：
.. code-block:: text
[2 2 2 2 2]
3.使用Fluid转换数据类型
.. code-block:: python
# 将一维整型数组，转换成float64类型
cast = fluid.layers.cast(x=data, dtype='float64')
# 定义运算场所执行计算
place = fluid.CPUPlace()
exe = fluid.Executor(place)
cast_result = exe.run(fluid.default_main_program(),
fetch_list=[cast],
return_numpy=True)
# 输出结果
print(cast_result[0])
可以得到结果：
.. code-block:: text
[1. 1. 1. 1. 1.]
运行线性回归模型
-----------------
通过上面的小例子，相信您已经对如何使用Fluid操作数据有了一定的了解，那么试着创建一个test.py，并粘贴下面的代码吧。
这是一个简单的线性回归模型，来帮助我们快速求解4元一次方程。
.. code-block:: python
#加载库
import paddle.fluid as fluid
import numpy as np
#生成数据
np.random.seed(0)
outputs = np.random.randint(5, size=(10, 4))
res = []
for i in range(10):
# 假设方程式为 y=4a+6b+7c+2d
y = 4*outputs[i][0]+6*outputs[i][1]+7*outputs[i][2]+2*outputs[i][3]
res.append([y])
# 定义数据
train_data=np.array(outputs).astype('float32')
y_true = np.array(res).astype('float32')
#定义网络
x = fluid.layers.data(name="x",shape=[4],dtype='float32')
y = fluid.layers.data(name="y",shape=[1],dtype='float32')
y_predict = fluid.layers.fc(input=x,size=1,act=None)
#定义损失函数
cost = fluid.layers.square_error_cost(input=y_predict,label=y)
avg_cost = fluid.layers.mean(cost)
#定义优化方法
sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.05)
sgd_optimizer.minimize(avg_cost)
#参数初始化
cpu = fluid.CPUPlace()
exe = fluid.Executor(cpu)
exe.run(fluid.default_startup_program())
##开始训练，迭代500次
for i in range(500):
outs = exe.run(
feed={'x':train_data,'y':y_true},
fetch_list=[y_predict.name,avg_cost.name])
if i%50==0:
print ('iter={:.0f},cost={}'.format(i,outs[1][0]))
#存储训练结果
params_dirname = "result"
fluid.io.save_inference_model(params_dirname, ['x'], [y_predict], exe)
# 开始预测
infer_exe = fluid.Executor(cpu)
inference_scope = fluid.Scope()
# 加载训练好的模型
with fluid.scope_guard(inference_scope):
[inference_program, feed_target_names,
fetch_targets] = fluid.io.load_inference_model(params_dirname, infer_exe)
# 生成测试数据
test = np.array([[[9],[5],[2],[10]]]).astype('float32')
# 进行预测
results = infer_exe.run(inference_program,
feed={"x": test},
fetch_list=fetch_targets)
# 给出题目为 【9,5,2,10】 输出y=4*9+6*5+7*2+10*2的值
print ("9a+5b+2c+10d={}".format(results[0][0]))
.. code-block:: text
得到结果：
9a+5b+2c+10d=[99.946]
输出结果应是一个近似等于100的值，每次计算结果略有不同。
