刚接触深度学习框架的同学可能会说
新入手一个框架是不是会很难?
NO，NO，NO
PaddlePaddle的宗旨就是“easy to use！”
PaddlePaddle是百度自研的集深度学习框架、工具组件和服务平台为一体的技术领先、功能完备的开源深度学习平台，有全面的官方支持的工业级应用模型，涵盖自然语言处理、计算机视觉、推荐引擎等多个领域，并开放多个领先的预训练中文模型。
下面，就让作者带你
打开一扇深度学习的新大门
19行代码入门PaddlePaddle单机训练！
第1行
在Python环境下安装PaddlePaddle框架，万里征程开头难，输完这行指令，你已经成功了一大半！
pip install paddlepaddle
第2-3行
进入代码环境，导入数据包，没啥可说的
import paddle as paddle
import paddle.fluid as fluid
第4-7行
定义模型，定义输入输出，轻松搞定
image = fluid.layers.data(name='image', shape=[1, 28, 28], dtype='float32')
label = fluid.layers.data(name='label', shape=[1], dtype='int64')
hidden = fluid.layers.fc(input=image, size=100, act='relu')
prediction = fluid.layers.fc(input=hidden, size=10, act='softmax')
第8-10行
定义损失函数(交叉熵)和准确率函数
cost = fluid.layers.cross_entropy(input=prediction, label=label)
avgcost = fluid.layers.mean(cost)
acc = fluid.layers.accuracy(input=prediction, label=label)
第11-12行
定义优化方法，使用Adam算法进行优化，其实随便什么优化方法都可以，随你喜欢啦
optimizer = fluid.optimizer.AdamOptimizer(learning_rate=0.001)
opts = optimizer.minimize(avg_cost)
第13-14行
在模型结构搭建完之后，我们需要对参数进行初始化。
注：我们这里采用CPU单机单卡训练，如果使用多GPU训练，参数需要先在GPU0上初始化，再经由fluid.ParallelExecutor 分发到多张显卡（详细内容可以此链接）
exe = fluid.Executor(fluid.CPUPlace())
exe.run(fluid.default_startup_program())
第15-16行
准备输入训练数据，使用框架自带MNIST数据集
train_reader = paddle.batch(paddle.dataset.mnist.train(), batch_size=128)
feeder = fluid.DataFeeder(place=fluid.CPUPlace(), feed_list=[image, label])
第17-18行
啦啦啦，开始训练，2行代码轻松搞定
for batch_id, data in enumerate(train_reader()):
train_cost,train_acc = exe.run(program=fluid.default_main_program(), feed=feeder.feed(data), fetch_list=[avg_cost, acc])
有兴趣的同学也可以通过增加代码print('Batch:%d, Cost:%0.5f, Accuracy:%0.5f' %(batch_id, train_cost[0], train_acc[0]))自行把训练过程打印出来看一下
Batch:0, Cost:3.17834, Accuracy:0.04688
Batch:50, Cost:0.53703, Accuracy:0.82031
Batch:100, Cost:0.47778, Accuracy:0.83594
Batch:150, Cost:0.34092, Accuracy:0.90625
Batch:200, Cost:0.25703, Accuracy:0.92188
Batch:250, Cost:0.37539, Accuracy:0.86719
Batch:300, Cost:0.24384, Accuracy:0.94531
Batch:350, Cost:0.51838, Accuracy:0.84375
Batch:400, Cost:0.40187, Accuracy:0.85938
Batch:450, Cost:0.36615, Accuracy:0.89062
第19行
训练完成，保存模型，任务完成！
fluid.io.save_inference_model("model", ['image'], [prediction], exe)
好吧，看到这里你说，
是19行代码就完成单机训练
没错，
但是完全没感觉啊，
训练好了该怎么用呢？
不着急，我们试试拿一个实例
来测试一下!
预测实例
继续导入2个基础数据包，备用
import numpy as np
import pickle
加载预测数据，需要下载源项目文件
链接：https://pan.baidu.com/s/1axSjJ9XVTI7MYY25WpqZtg
提取码：rkhg
对，我们需要对付的，
就是这样歪歪扭扭的家伙！
源项目中已经把图片处理好了保存在bin文件里面，可以直接读取
load_file=open("save.bin","rb")
img=pickle.load(load_file)
act_label=pickle.load(load_file)
load_file.close()
导入训练好的模型，开始预测
with fluid.scope_guard(fluid.core.Scope()):
[infer_prog,feed_names,targets]=
fluid.io.load_inference_model("model", exe)
results = exe.run(program=infer_prog, feed={feed_names[0]: img}, fetch_list=targets)
打印输出，搞定！
print("实际数字为: %d" % act_label)
print("预测结果为: %d" % np.argsort(results)[0][0][-1])
最终结果
实际数字为: 3
预测结果为: 3
DuangDuangDuang！！
除去数据准备和打印输出，
真正的核心预测代码也只有3行而已，
惊不惊喜，意不意外？
是的，没错
PaddlePaddle就是这样
一个易学易用的深度学习框架
你学会了么？
想了解更多内容，请点击查看以下链接：
http://paddlepaddle.org/documentation/docs/zh/1.4/user_guides/howto/training/single_node.html