（一）PaddlePaddle（深度学习框架）的搭建、使用

PaddlePaddle是百度公司2016年开源的深度学习框架，现如今可以方便部署到服务器、智能手机和嵌入式设备中。PaddlePaddle还开源大量常用的深度学习模型。

一、PaddlePaddle快速入门：

（1）PaddlePaddle的大部分API都在paddle.fluid中。接着定义两个PaddlePaddle常量x1和x2，形状是[2，2]，也叫维度，并赋值为1，类型为int64，得到一个张良[[1，1]，[1，1]]，代码：

# PaddlePaddle的大部分API都在paddle.fluid中。
import paddle
# 兼容PaddlePaddle2.0
paddle.enable_static()

# 接着定义两个PaddlePaddle常量x1和x2，形状是[2，2]，也叫维度，并赋值为1，类型为int64，得到一个张良[[1，1]，[1，1]]
x1 = fluid.layers.fill_constant(shape=[2, 2], value=1, dtype='int64')
x2 = fluid.layers.fill_constant(shape=[2, 2], value=1, dtype='int64')

# 将x1与x2两个张量相加
# PaddlePaddle支持使用算术运算符号，如改成x1+x2
y1 = fluid.layers.sum(x=[x1, x2])

# 然后创建一个执行器，执行器用于把数据传入模型中，并执行模型中。执行器可以使用place参数指定CPU或GPU进行计算
# place = fluid.CUDAPlace(0)         # 使用GPU，其中0是指序号为0的显卡
place = fluid.CPUPlace()             # 使用CPU
exe = fluid.executor.Executor(place)
# 使用fluid.Executor()函数执行fluid.default_startup_program()函数，对整个PaddlePaddle程序进行参数随机初始化
exe.run(fluid.default_startup_program())

# PaddlePaddle中两个程序默认：default_startup_program()、default_main_program()
# 使用fluid.Executor()函数执行，主程序参数值是fluid.default_main_program()
result = exe.run(program=fluid.default_main_program(),
                 fetch_list=[y1])
print(result)

运行结果：

（2）PaddlePaddle定义两个变量，赋值，然后相加：

import paddle.fluid as fluid
import numpy as np
import paddle
# 兼容PaddlePaddle2.0
paddle.enable_static()

# PaddlePaddle的每层又有名称，定义两个张量，不需要指定形状和值，只指定变量的类型和名称（a，b）即可，如不指定名称，会默认设置名称
a = fluid.layers.create_tensor(dtype='int64', name='a')
b = fluid.layers.create_tensor(dtype='int64', name='b')

# 将两个张量求和
y = fluid.layers.sum(x=[a, b])

# 创建一个使用CPU的执行器
place = fluid.CPUPlace()
exe = fluid.executor.Executor(place)
# 进行参数初始化
exe.run(fluid.default_startup_program())

# 用numpy创建两个形状[1，2]de1矩阵,
a1 = np.array([3, 2]).astype('int64')
b1 = np.array([1, 1]).astype('int64')

# 进行运算，并把y的结果输出
out_a, out_b, result = exe.run(program=fluid.default_main_program(),
                               feed={
   
   a.name: a1, b.name: b1},
                               fetch_list=[a, b, y])
print(out_a," + ", out_b," = ", result)

运行结果：

二、PaddlePaddle的线性回归算法：

（1）深度神经网络的搭建：

1、单个神经元的模型就是有多个输入，经过求和、求积计算，然后再经过非线性函数（如ReLU等各种激活函数），最终输出

1、将多个神经元组合在一起，就构成了一个神经网络，依次有输入层、隐藏层、输出层。输入层的每个输入都与隐藏层连接，通过隐藏层计算，最终连接输出层进行输出；
2、在简单的神经网络模型的基础上，再在输入层和输出层之间增加多个隐藏层，会增加整个模型的深度。正因为有大量的隐藏层，所以称为深度神经网络模型；

（2）模型训练

# PaddlePaddle的线性回归算法
import numpy as np
import paddle
paddle.enable_static()
import paddle.fluid as fluid
import numpy

# 搭建一个简单的神经网络（1个输入层，2个隐藏层，1个输出层，即全连接层）
# 定义一个输入层:指定输入层的名称'x'，形状和类型。shape的第一个参数是输入数据批量大小通常设置None，这样可以自动根据输入数据的批量大小变动，输入层都是float32类型
x = fluid.data(name='x', shape=[None, 1], dtype='float32')
# 定义两个隐藏层(大小无为100（神经元数量），激活函数为ReLU)
hidden = fluid.layers.fc(input=x, size=100, act='relu')
hidden = fluid.layers.fc(input=hidden, size=100, act='relu')
# 最后输出大小为1的全连接层，也叫输出层
net = fluid.layers.fc(<