PaddlePaddle作為國內首個深度學習框架，最近發布了更加強大的Fluid1.2版本, 增加了對windows環境的支持，全面支持了Linux、Mac、 windows三大環境。

PaddlePaddle在功能完備的基礎上，也盡量秉承易學易用的特點，在Windows的安裝方面，體現了一鍵式的特點，大部分情況下，只需要一條簡單的命令就可以完成安裝。

用戶在使用的過程中可能會面對安裝和編譯方面的問題，下面就從這兩個方面來分別說明。

一、安裝

在深度學習框架上， python語言由于本身的易用性和豐富的類庫，被眾多深度學習框架作為了應用方面的首選，PaddlePaddle也將python語言作為了自己的應用語言，如下介紹在python下怎么安裝PaddlePaddle。-

1. 系統檢查

PaddlePaddle目前支持windows7,8,10系列的專業和企業版本，且只支持64位的操作系統。

PaddlePaddle目前支持的python版本覆蓋了2.7,3.5,3.6,3.7版本，基本上包含了目前主流使用的所有python版本，可以通過如下方式檢查操作系統和python版本情況?

>>>import platform

>>>platform.architecture()

('64bit','WindowsPE') # 64 bits on windows 64 bits

>>> platform.version()

'10.0.17134' # windows 10

>>> platform.python_version()

'2.7.15' # python 2.7

如筆者自己的系統就顯示了如上信息。

2. 拉取安裝包的方式

Paddlepaddle可以選擇通過pip命令在線或離線安裝，下面展示一下如何離線下載安裝包。

PaddlePaddle的安裝包已經放到了python官方支持的發布渠道上，打開PyPI官方網站，按圖中所示輸入Paddlepaddle，

用戶將會得到當前所有的Paddlepaddle安裝包，根據系統和python版本號選擇對應版本即可

3. 安裝過程

如果是在線安裝，用戶直接輸入 pip install paddlepaddle即可正常安裝。

如果是離線安裝，用戶輸入 pip install paddlepaddle_xxx.whl 包也可以完成安裝。

通常情況下pip命令伴隨python安裝包一起已經得到安裝，如果用戶發現自己沒有安裝pip，可以到PyPA

Documentation，按照提示安裝pip即可。

如果出現錯誤，用戶可以檢查

請使用管理員權限賬戶操作（比如Administrator賬號），并確保使用64位python（查看系統檢查章節）

[MO用1]?

通過 控制面板 – 賬號 – 管理用戶賬號 即可看到如上界面。

4. 安裝完成檢查

安裝完成后，用戶可以打開python命令，輸入如下語句，

>>> import paddle.fluid

>>> print(paddle.__version__)

1.2.0 # 當前paddle版本

如果出現錯誤，用戶可以檢查

1. PaddlePaddle依賴python的動態庫，如果當前python沒有選擇安裝到環境變量，則可能出現找不到依賴庫的情況，用戶可以在如下圖中加入環境路徑，再次啟動即可。

二、編譯

不想自己做編譯的用戶可以直接跳過此節。

一、 前期準備

1. 環境檢查

當前paddle的編譯只支持window10 專業/企業版本。

2. 工具準備

2.1 請安裝Visual Studio 2015 update3版本。

2.2 下載cmake 3.0及以上版本 安裝

2.3 下載git安裝

2.4 下載python安裝，請注意當前支持版本為2.7,3.5,3.6,3.7

2.4.1 下載pip安裝

2.4.2 請運行 pip install protobuf numpy wheel?

二、編譯過程

Paddlepaddle的編譯過程需要保證網絡可用，因為部分依賴包需要通過網絡環境獲取。Paddlepaddle編譯需要訪問GitHub。

1. 用戶需要到 GitHub PaddlePaddle 下載源代碼，選擇 release 1.2 分支，下載zip包或者 通過命令

a. git clone https://github.com/paddlepaddle/paddle

b. cd paddle

c. git checkout release /1.2

2. 在源代碼目錄下，建一個build子目錄并進入

3. 運行cmake .. -G "Visual Studio 14 2015 Win64" -DPYTHON_INCLUDE_DIR=${PYTHON_INCLUDE_DIRS} -DPYTHON_LIBRARY=${PYTHON_LIBRARY} -DPYTHON_EXECUTABLE=${PYTHON_EXECUTABLE} -DWITH_FLUID_ONLY=ON -DWITH_GPU=OFF -DWITH_TESTING=OFF -DCMAKE_BUILD_TYPE=Release

a. 其中PYTHON_INCLUDE_DIRS指的是python的include目錄，比如 c:\Python35\include\

b. 其中PYTHON_LIBRARY指定是pythonxx.lib所在的目錄，比如c:\Python35\libs\

c. 其中PYTHON_EXECUTABLE指的是python.exe，比如c:\Python35\ python.exe

d. 其中DWITH_FLUID_ONLY=ON指的是paddlepaddle在windows下只支持fluid版本

e. 其中WITH_GPU=OFF指的是paddlepaddle當前只支持CPU

f. 其中WITH_TESTING=OFF指的是關閉測試

g. 其中CMAKE_BUILD_TYPE=Release指的是只支持Release編譯

h. 其中-G "Visual Studio 14 2015 Win64"指的是只支持VS2016的64bit編譯

4. 目錄下會生成paddle.sln文件，用Visual Studio 2015打開，選擇64位Release模式，開始編譯。

三、編譯完成檢查

1. 檢查方法

如果編譯過程不出錯則表明編譯成功，用戶可以到 build\python\dist 目錄下查找對應的生成 whl 文件。

2. 常見編譯問題

【問】為什么我的paddle.sln文件沒有生成？

【答】請按編譯過程要求檢查是安裝了指定的軟件和版本

【問】編譯過程中為什么出現ssl一類的網絡錯誤？

【答】編譯過程需要訪問網絡，請檢查系統代理和網絡連通情況。

【問】whl文件為什么沒有生成？

【答】請按編譯過程要求檢查python的變量是否正確設置。

三、訓練模型檢測

1. 導入網絡

PaddlePaddle在使用方面為了貼合用戶需求，盡量做到了將復雜的概念簡化，深度學習用戶將網絡結構會理解為多個層結構的疊加，相對應的，PaddlePaddle也對應的有了層的封裝。

在定義網絡方面，用戶可以統一使用fluid.layers里面定義好的結構，來方面的構建一個神經網絡結構，比如

# Include libraries.

import?paddle

import?paddle.fluid?as?fluid

import?numpy

# Configure the neural network.

def?net(x, y):

y_predict = fluid.layers.fc(input=x, size=1, act=None)

cost = fluid.layers.square_error_cost(input=y_predict, label=y)

avg_cost = fluid.layers.mean(cost)

return?y_predict, avg_cost

2. 定義訓練和預測函數

訓練和預測方面，可以統一成為輸入，計算和輸出三個大的方面，用戶可以使用fluid.layers.data來定義輸入數據，對應在具體在執行層面，executor的run函數中，使用feed來接受輸入數據。

下面可以定義預測函數和訓練函數，示例?

# Define train function.

def?train(save_dirname):

x = fluid.layers.data(name='x', shape=[13], dtype='float32')

y = fluid.layers.data(name='y', shape=[1], dtype='float32')

y_predict, avg_cost = net(x, y)

sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.001)

sgd_optimizer.minimize(avg_cost)

train_reader = paddle.batch(

paddle.reader.shuffle(paddle.dataset.uci_housing.train(), buf_size=500),

batch_size=20)

place = fluid.CPUPlace()

exe = fluid.Executor(place)

def?train_loop(main_program):

feeder = fluid.DataFeeder(place=place, feed_list=[x, y])

exe.run(fluid.default_startup_program())

PASS_NUM = 1000

for?pass_id?in?range(PASS_NUM):

total_loss_pass = 0

for?data?in?train_reader():

avg_loss_value, = exe.run(

main_program, feed=feeder.feed(data), fetch_list=[avg_cost])

total_loss_pass += avg_loss_value

if?avg_loss_value < 5.0:

if?save_dirname?is?not?None:

fluid.io.save_inference_model(

save_dirname, ['x'], [y_predict], exe)

return

print("Pass %d, total avg cost = %f" % (pass_id, total_loss_pass))

train_loop(fluid.default_main_program())

# Infer by using provided test data.

def?infer(save_dirname=None):

place = fluid.CPUPlace()

exe = fluid.Executor(place)

inference_scope = fluid.core.Scope()

with?fluid.scope_guard(inference_scope):

[inference_program, feed_target_names, fetch_targets] = (

fluid.io.load_inference_model(save_dirname, exe))

test_reader = paddle.batch(paddle.dataset.uci_housing.test(), batch_size=20)

test_data = test_reader().next()

test_feat = numpy.array(map(lambda?x: x[0], test_data)).astype("float32")

test_label = numpy.array(map(lambda?x: x[1], test_data)).astype("float32")

results = exe.run(inference_program,

feed={feed_target_names[0]: numpy.array(test_feat)},

fetch_list=fetch_targets)

print("infer results: ", results[0])

print("ground truth: ", test_label)

2. 執行訓練和預測

接著可以簡單調用上面定義函數，訓練過程會產生輸出，用戶可以自定義輸出目錄，在后面的預測過程中，加載訓練輸出的模型?

# Run train and infer.

if?__name__ == "__main__":

save_dirname = "fit_a_line.inference.model"

train(save_dirname)

infer(save_dirname)

程序將輸出預測結果，比如在筆者的環境中輸出為（僅作參考，用戶環境可能有出入）

非常歡迎您為PaddlePaddle貢獻文檔，我們的文檔在PaddlePaddle/FluidDoc (GitHub PaddlePaddle專區中的FluidDoc) 中統一管理，如您對PaddlePaddle有任何問題，也非常歡迎您在此Repo提交Issue，您的反饋是我們進步的動力