illegalCreed

中文

English

中文

English

Appearance

入门 ​

基于 PaddlePaddle 3.3 官方文档（paddlepaddle.org.cn 飞桨 3.x 指南 / PaddleOCR / PaddleNLP）编写，对照当前稳定行为

速查 ​

  • 安装：pip install paddlepaddle（CPU）；GPU 用 pip install paddlepaddle-gpu（按 CUDA 版本选索引）
  • 核心张量：paddle.to_tensor(data) / paddle.randn/ones/zeros(shape)，动态图为主
  • 网络：继承 paddle.nn.Layer，__init__ 定义层、forward(x) 写前向（与 PyTorch 高度相似）
  • 训练循环：forward → loss.backward() → optimizer.step() → optimizer.clear_grad()（注意是 clear_grad 不是 zero_grad）
  • 动态图：3.x 默认且推荐；静态图 paddle.static 用于部署/性能优化（动静产出一致）
  • 分布式：paddle.distributed.fleet（Fleet API，数据/模型/混合并行）；3.x 新增「自动并行」
  • OCR：from paddleocr import PaddleOCR; ocr = PaddleOCR(); result = ocr.ocr(img)
  • NLP/ERNIE：from paddlenlp import transformers（ERNIE 系列、与 HF transformers 接口对齐）
  • 推理部署：Paddle Inference（服务端）、Paddle Lite（端侧）、Paddle Serving（在线）、Paddle2ONNX
  • 国产硬件：昆仑芯 XPU / 昇腾 NPU / 海光 DCU / 寒武纪 MLU
  • 版本：框架 3.3（PyPI paddlepaddle，2026 年）

安装 ​

bash
# CPU 版
pip install paddlepaddle

# GPU 版（NVIDIA，按 CUDA 版本从官网选 wheel 索引）
python -m pip install paddlepaddle-gpu==3.3.0 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html

# 验证
python -c "import paddle; paddle.utils.run_check()"
# 输出 "PaddlePaddle is installed successfully!" 即 OK

国产硬件版本通常需从对应厂商获取专用 wheel（如昇腾走 CANN 适配的 paddle-npu，昆仑芯走 paddle-xpu）。

张量与动态图 ​

飞桨 3.x 以动态图为默认开发模式，API 风格与 PyTorch 高度相似，降低学习成本：

python
import paddle

x = paddle.to_tensor([[1.0, 2.0], [3.0, 4.0]])   # 从数据建张量
y = paddle.randn([2, 2])                          # 随机张量
z = x + y                                         # 逐元素加（自动建图）
z = x @ y                                         # 矩阵乘
print(x.shape, x.dtype, x.place)                  # [2, 2] float32 Place(cpu)

# 设备搬运
if paddle.is_compiled_with_cuda():
    x = x.cuda()                                  # 或 paddle.device.set_device('gpu')
  • paddle.to_tensor / paddle.Tensor 是核心容器
  • 与 NumPy 互转：x.numpy()（→ ndarray）、paddle.to_tensor(arr)（← ndarray）
  • 梯度：x.stop_gradient = False 开始追踪（默认叶子为 True 即不追踪）

第一个模型：paddle.nn.Layer ​

python
import paddle
import paddle.nn as nn

class MLP(nn.Layer):
    def __init__(self, in_feat, out_feat):
        super().__init__()
        self.fc1 = nn.Linear(in_feat, 64)
        self.fc2 = nn.Linear(64, out_feat)

    def forward(self, x):
        return self.fc2(paddle.relu(self.fc1(x)))

model = MLP(784, 10)
if paddle.is_compiled_with_cuda():
    model = model.cuda()

logits = model(paddle.randn([32, 784]))           # 直接调用（经 __call__）
  • 继承 paddle.nn.Layer（对应 PyTorch 的 nn.Module）
  • sublayers() / parameters() 遍历子层与参数（对应 PyTorch 的 children/parameters）
  • 输入是 logits，损失函数做归一化

训练循环 ​

python
loss_fn = nn.CrossEntropyLoss()
optimizer = paddle.optimizer.Adam(parameters=model.parameters(), learning_rate=1e-3)

model.train()                                     # 训练模式
for x, y in train_loader:
    if paddle.is_compiled_with_cuda():
        x, y = x.cuda(), y.cuda()

    logits = model(x)                             # 前向
    loss = loss_fn(logits, y)
    loss.backward()                               # 自动微分反向
    optimizer.step()                              # 更新参数
    optimizer.clear_grad()                        # 清梯度（注意：是 clear_grad，不是 zero_grad！）

model.eval()                                      # 评估模式
with paddle.no_grad():                            # 推理不建图
    pred = model(x).argmax(axis=1)

关键差异：飞桨清梯度是 optimizer.clear_grad()，PyTorch 是 optimizer.zero_grad()。这是迁移时最易踩的命名差异。

保存与加载 ​

python
# 推荐方式：存参数
paddle.save(model.state_dict(), 'mlp.pdparams')
model_load = MLP(784, 10)
model_load.set_state_dict(paddle.load('mlp.pdparams'))
model_load.eval()

# 含优化器状态的断点续训
paddle.save({
    'model': model.state_dict(),
    'opt': optimizer.state_dict(),
    'epoch': epoch,
}, 'ckpt.pdparams')
  • 参数文件后缀约定 .pdparams，优化器状态 .pdopt
  • 部署需进一步转成推理模型（见下「部署」）

PaddleOCR：一行 OCR ​

飞桨生态最出圈的产业套件，PP-OCR 系列支持 100+ 语言：

python
from paddleocr import PaddleOCR

ocr = PaddleOCR(use_angle_cls=True, lang='ch')     # 中文 + 角度分类
result = ocr.ocr('invoice.png', cls=True)
# result: [[ [box], (text, confidence) ], ...]

for line in result[0]:
    print(line[1][0])                              # 识别文本
  • 支持 PP-OCRv5、表格识别、版面分析、文档解析（JSON/Markdown 输出）
  • 轻量模型可在移动端运行（配合 Paddle Lite）
  • GitHub 86k+ star，是飞桨国际影响力最大的项目

PaddleNLP 与 ERNIE ​

承载百度自研 ERNIE 大模型家族：

python
from paddlenlp.transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained('baidu/ERNIE-4.5-0.3B')
model = AutoModelForCausalLM.from_pretrained('baidu/ERNIE-4.5-0.3B')

inputs = tokenizer('你好，飞桨', return_tensors='pd')   # 'pd' = paddle tensor
outputs = model.generate(**inputs)
print(tokenizer.decode(outputs[0]))
  • ERNIE 4.5 系列（含 0.3B 轻量版到数千亿参数）
  • 接口与 Hugging Face transformers 对齐（AutoTokenizer/AutoModel*），迁移成本低
  • 配套 ERNIEKit 工业开发套件（微调、量化、部署）

下一步 ​

入门到此覆盖了张量、Layer、训练循环、PaddleOCR/PaddleNLP。下一步见「指南」：

  • 动静统一与自动并行：3.x 如何让动态图与静态图产出一致、自动并行分布式
  • Fleet API：数据并行、模型并行、混合并行的具体配置
  • 部署工具链：Paddle Inference / Lite / Serving / Paddle2ONNX 的选型
  • 国产硬件适配：昆仑芯/昇腾/海光/寒武纪的接入方式