### PaddlePython 使用教程 #### 安装 PaddlePaddle 对于希望使用 PaddlePaddle 进行开发的用户来说，安装过程十分简便。可以通过 pip 工具轻松完成安装： ```bash pip install paddlepaddle ``` 此命令会自动下载并配置好最新版本的 PaddlePaddle 库[^2]。 #### 创建第一个程序 为了更好地理解如何利用 PaddlePaddle 构建模型，在这里提供一段简单的代码片段作为入门示例。这段代码展示了怎样定义一个线性回归模型，并对其进行训练。 ```python import numpy as np import paddle from paddle.vision.transforms import ToTensor # 设置随机种子以确保实验可重复性 np.random.seed(0) # 准备数据集 train_dataset = paddle.vision.datasets.MNIST(mode='train', transform=ToTensor()) test_dataset = paddle.vision.datasets.MNIST(mode='test', transform=ToTensor()) # 加载数据集 train_loader = paddle.io.DataLoader(train_dataset, batch_size=64, shuffle=True) test_loader = paddle.io.DataLoader(test_dataset, batch_size=64, shuffle=False) # 定义网络结构 class Net(paddle.nn.Layer): def __init__(self): super(Net, self).__init__() self.fc1 = paddle.nn.Linear(in_features=784, out_features=512) self.fc2 = paddle.nn.Linear(in_features=512, out_features=10) def forward(self, x): x = paddle.flatten(x, 1) x = self.fc1(x) x = paddle.relu(x) x = self.fc2(x) output = F.log_softmax(x, axis=1) return output model = Net() # 训练函数 def train(model, device, train_loader, optimizer, epoch): model.train() for idx, (data, target) in enumerate(train_loader()): data, target = data.to(device), target.to(device) optimizer.clear_grad() output = model(data) loss = F.nll_loss(output, target) loss.backward() optimizer.step() if idx % 100 == 0: print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format( epoch, idx * len(data), len(train_loader.dataset), 100. * idx / len(train_loader), loss.item())) device = 'gpu' if paddle.device.is_compiled_with_cuda() else 'cpu' optimizer = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()) for epoch in range(1, 4): # 只做三次迭代简化演示目的 train(model, device, train_loader, optimizer, epoch) ``` 上述例子中构建了一个小型神经网络来进行 MNIST 数据集上的手写数字识别任务。通过这种方式可以快速上手了解 PaddlePaddle 的基本操作方法[^3]。