\u200E
  • 开始使用
  • 特性
  • 文档
    • API
    • 使用指南
  • 工具平台
    • 工具
      • AutoDL
  • develop
  • 2.1
  • 2.0
  • 1.8
  • 1.7
  • 1.6
  • 1.5
  • 1.4
  • 1.3
  • 1.2
  • 1.1
  • 1.0
  • 0.15.0
  • 0.14.0
  • 0.13.0
  • 0.12.0
  • 0.11.0
  • 0.10.0
  • 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
    • 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
    • 附录
  • 使用教程
    • 整体介绍
      • 基本概念
        • Tensor概念介绍
        • 广播 (broadcasting)
        • 自动微分机制介绍
        • 自动混合精度训练
      • 升级指南
      • 版本迁移工具
    • 模型开发
      • 10分钟快速上手飞桨（PaddlePaddle）
      • 数据集定义与加载
      • 数据预处理
      • 模型组网
      • 训练与预测
      • 单机多卡训练
      • 自定义指标
      • 模型保存与载入
      • 模型导出ONNX协议
    • VisualDL 工具
      • VisualDL 工具简介
      • VisualDL 使用指南
    • 动态图转静态图
      • 基本用法
      • 内部架构原理
      • 支持语法列表
      • InputSpec 功能介绍
      • 报错信息处理
      • 调试方法
      • 预测模型导出教程
        • 框架概念
        • 基本原理
        • 案例解析
        • 调试经验
    • 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
      • 分布式训练快速开始
      • 使用FleetAPI进行分布式训练
    • 自定义算子
      • 自定义原生算子
      • 原生算子开发注意事项
      • 自定义外部算子
      • 自定义Python算子
    • 性能调优
    • 算子映射
      • Paddle 1.8 与 Paddle 2.0 API映射表
      • PyTorch-PaddlePaddle API映射表
    • 硬件支持
      • 飞桨产品硬件支持表
      • 昆仑XPU芯片运行飞桨
        • 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NPU版安装说明
        • 飞桨框架昇腾NPU版训练示例
    • 参与开发
      • 本地开发指南
      • 提交PR注意事项
      • FAQ
  • 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
    • 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
    • 时序数据
      • 通过AutoEncoder实现时序数据异常检测
    • 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)
    • 推荐算法
      • 使用协同过滤实现电影推荐
  • API 文档
  • 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
  • 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