序
这将是paddlepaddle系列教程的开篇，小生不才，得以给百度paddle运营大使撰写这份paddlepaddle入门教程，当然是非官方的。既然是非官方，自然会从一个使用者的角度出发，来教大家怎么用，会有哪些坑，以及如何上手并用到实际项目中去。
我之前写过一些关于tensorflow的教程，在我的简书上可以找到，非常简单基础的一个教程，但是备受好评，因为国内实在是很难找到一个系列的关于这些深度学习框架的教程。因此在这里，我来给paddlepaddle也写一个类似的教程，不复杂，三行代码入门。
三行代码paddlepaddle从入门到精通
paddlepaddle是百度大力推出的一个框架，不得不说相比于tensorflow，paddlepaddle会简单很多，接下来我会细说。同时百度在人工智能方面的功底还是非常深厚，我曾经在腾讯实习，类似于AT这样的公司，甚至没有一个非常成型的框架存在。
既然是三行代码精通paddlepaddle，那么得安装一下paddlepaddle。就目前来说，最好的办法是build from
source。步骤如下 (注意，这里是CPU版本，GPU版本的源码编译过程后续补充，我们先用CPU来熟悉API)：
paddlepaddle在python
API上0.10有较大的变化，所以直接import一下v2版本的API。如果可以说明paddlepaddle安装没有问题。这里赞一下百度的技术功底和用户体验，这尼玛要是caffe或者caffe2编译出错概率100%不说，python安装了也不能import，paddlepaddle一步到位，非常牛逼。
闲话不多说，直接三行代码来熟悉一下paddlepaddle的API。
三行代码来了
接下来要做的事情是，用paddlepaddle搭建一个3层MLP网络，跑一个二维的numpy随机数据，来了解一下paddlepaddle从数据喂入到训练的整个pipeline吧。
首先我们这个教程先给大家展示一个图片分类器，用到的数据集是Stanford Dogs 数据集， 下载链接, 大概800M,
同时下载一下annotations， 大概21M。下载好了我们用一个paddle_test的文件夹来做这个教程吧。
把所有的images 和 annotations扔到data里面去，解压一下：
顺便说一下，这里的annotations是为后面用paddlepaddle做分割做准备，本次分类任务，只需要一个images.tar就可以了，所有图片被放在了该类别的文件夹下面，以后处理其他分类任务时，只需要把不同类别放在文件夹就OK了，甚至不用改代码，非常方便，这比MXNet要有道理很多，多数情况下我们根本不需要海量图片训练，也没有必要搞个什么imrecord的数据格式，MXNet导入图片真心蛋疼，没有Pytorch方便，但是Pytorch得运行速度堪忧。
OK，将images.tar解压，会得到120个文件夹，也就是120个类别，每个类别里面都是一种狗狗图片。比如这张是一只 Beagle：
我们现在要来处理一下这些蠢狗。
开始写三行代码
好了，开始写三行代码了.
实际上paddle的使用也就是三行代码的事情，首先是网络构建，这里我们构建一个VGG网络，其次是event的处理函数，这个机制是paddle独有的，paddle把所有的训练过程都包装成了一个trainer，然后调用这个event_handler来处理比如打印loss信息这样的事情。OK，我们一步一步来，先来看一下train的过程把：
paddle的网络训练流程分为几个步骤：
首先定义网络，这里的网络不包括最后一层的softmax;
创建一个cost，cost当然就需要一个网络的输出和lable了;
通过这个cost来创建网络训练的参数，非常简单明了;
最后是优化器，这里定义反向传播的正则项，学习速率调整策略等;
通过上面这些创建一个trainer;
最后这个trainer要训练起来，还需要持续的数据喂入，时间处理函数，和喂入的方式。
接着我们看一下网络定义和事件处理函数：
这里我们先用paddle内置的cifar10来测试一下能否训练起来，把上面的代码加上import之后：
在主函数里面运行train()。见证奇迹的时刻到了。。
paddle开始下载数据，并打印出了网络结构!
so far so good，paddle开始训练网络!!!
牛逼了我的哥。接下来我们用这个代码来保存网络训练之后的权重：
最后，模型train好之后，导入模型进行预测：
OK,
本次列车到此结束，对于paddle如何训练一个图片分类器，应该有了一个清醒的认识，下一步，我们将继续….用paddlepaddle实现一个NLP情感分类器!
本文由在当地较为英俊的男子金天大神原创，版权所有，欢迎转载，
