簡介：飛槳深度學習框架采用基于編程邏輯的組網范式，對于普通開發者而言更容易上手，同時支持聲明式和命令式編程，兼具開發的靈活性和高性能。

飛槳 (PaddlePaddle) 以百度多年的深度學習技術研究和業務應用為基礎，是中國首個自主研發、功能完備、 開源開放的產業級深度學習平臺，集深度學習核心訓練和推理框架、基礎模型庫、端到端開發套件和豐富的工具組件于一體。

飛槳深度學習框架采用基于編程邏輯的組網范式，對于普通開發者而言更容易上手，同時支持聲明式和命令式編程，兼具開發的靈活性和高性能。另外飛槳不僅廣泛兼容第三方開源框架訓練的模型部署，并且為不同的場景的生產環境提供了完備的推理引擎，包括適用于高性能服務器及云端推理的原生推理庫 Paddle Inference，面向分布式、流水線生產環境下自動上云、A/B 測試等高階功能的服務化推理框架 Paddle Serving，針對于移動端、物聯網場景的輕量化推理引擎 Paddle Lite，以及在瀏覽器、小程序等環境下使用的前端推理引擎 Paddle.js。同時，透過與不同場景下的主流硬件高度適配優化及異構計算的支持, 飛槳的推理性能也領先絕大部分的主流實現。

安裝飛槳

飛槳可以被認為是一個 Python 的依賴庫，官方提供了 pip，conda，源碼編譯等多種安裝方法。以 pip 安裝方法為例，飛槳提供了 CPU 和 GPU 兩個版本安裝方法：

• CPU 版本安裝方法：

pip install paddlepaddle

• GPU 版本安裝方法：

pip install paddlepaddle-gpu

實踐：手寫數字識別任務

MNIST 是非常有名的手寫體數字識別數據集，在無論是 Tensorflow 的官方網站還是 PaddlePaddle 的新手入門，都是通過它做實戰講解，它由手寫體數字的圖片和相對應的標簽組成，如：

MNIST 數據集分為訓練圖像和測試圖像。訓練圖像 60000 張，測試圖像 10000 張，每一個圖片代表 0-9 中的一個數字，且圖片大小均為 28*28 的矩陣。這一小節將會以 PaddlePaddle 官方提供的 MNIST 手寫數字識別任務為例，進行 PaddlePaddle 框架的基本學習。與其他深度學習任務一樣，飛槳同樣要通過以下四個步驟完成一個相對完整的深度學習任務：

數據集的準備和加載；

模型構建；

模型訓練；

模型評估。

加載內置數據集

飛槳框架內置了一些常見的數據集，在這個示例中，開發者可以加載飛槳框架的內置數據集，例如本案例所涉及到的手寫數字體數據集。這里加載兩個數據集，一個用來訓練模型，一個用來評估模型。

import paddle.vision.transforms as Ttransform = T.Normalize(mean=[127.5], std=[127.5], data_format='CHW')

#下載數據集

train_dataset = paddle.vision.datasets.MNIST(mode='train', transform=transform)val_dataset = ?paddle.vision.datasets.MNIST(mode='test', transform=transform)

模型搭建

通過 Sequential將一層一層的網絡結構組建起來。注意，需要先對數據進行Flatten操作，將 [1, 28, 28] 形狀的圖片數據改變形狀為 [1, 784]。

mnist = paddle.nn.Sequential(

paddle.nn.Flatten(),

paddle.nn.Linear(784, 512),

paddle.nn.ReLU(),

paddle.nn.Dropout(0.2),

paddle.nn.Linear(512, 10))

模型訓練

在訓練模型前，需要配置訓練模型時損失的計算方法與優化方法，開發者可以使用飛槳框架提供的prepare完成，之后使用fit接口來開始訓練模型。

# 預計模型結構生成模型對象，便于進行后續的配置、訓練和驗證

model?=?paddle.Model(mnist)

# 模型訓練相關配置，準備損失計算方法，優化器和精度計算方法model.prepare(paddle.optimizer.Adam(parameters=model.parameters()), paddle.nn.CrossEntropyLoss(),????????????????

paddle.metric.Accuracy())

# 開始模型訓練

model.fit(train_dataset,

epochs=5,

batch_size=64,

verbose=1)

訓練結果：

The loss value printed in the log is the current step, and the metric is the average value of previous steps.Epoch 1/5step 938/938 [==============================] - loss: 0.1801 - acc: 0.9032 - 8ms/stepEpoch 2/5step 938/938 [==============================] - loss: 0.0544 - acc: 0.9502 - 8ms/stepEpoch 3/5step 938/938 [==============================] - loss: 0.0069 - acc: 0.9595 - 7ms/stepEpoch 4/5step 938/938 [==============================] - loss: 0.0094 - acc: 0.9638 - 7ms/stepEpoch 5/5step?938/938?[==============================]?-?loss:?0.1414?-?acc:?0.9670?-?8ms/step

模型評估

開發者可以使用預先定義的驗證數據集來評估前一步訓練得到的模型的精度。

model.evaluate(val_dataset, verbose=0)

結果如下：

{'loss': [2.145765e-06], 'acc': 0.9751}

可以看出，初步訓練得到的模型效果在 97.5% 附近，在逐漸了解飛槳后，開發者可以通過調整其中的訓練參數來提升模型的精度。

與 Serverless 架構結合

PaddlePaddle 團隊首次開源文字識別模型套件 PaddleOCR，目標是打造豐富、領先、實用的文本識別模型/工具庫。該模型套件是一個實用的超輕量 OCR 系統。主要由DB文本檢測、檢測框矯正和 CRNN 文本識別三部分組成。該系統從骨干網絡選擇和調整、預測頭部的設計、數據增強、學習率變換策略、正則化參數選擇、預訓練模型使用以及模型自動裁剪量化 8 個方面，采用 19 個有效策略，對各個模塊的模型進行效果調優和瘦身，最終得到整體大小為 3.5M 的超輕量中英文 OCR 和 2.8M 的英文數字 OCR。

本地開發

# index.py

import base64

import bottle

import random

from?paddleocr?import?PaddleOCR

ocr?=?PaddleOCR(use_gpu=False)

@bottle.route('/ocr', method='POST')

def login():

filePath = './temp/' + (''.join(random.sample('zyxwvutsrqponmlkjihgfedcba', 5)))

with open(filePath, 'wb') as f:

f.write(base64.b64decode(bottle.request.body.read().decode("utf-8").split(',')[1]))

ocrResult = ocr.ocr(filePath, cls=False)????

return?{'result':?[[line[1][0],?float(line[1][1])]?for?line?in?ocrResult]}

bottle.run(host='0.0.0.0', port=8080)

開發完成之后，運行該項目：

pythonindex.py

可以看到服務已經啟動：

然后通過 Postman 工具進行測試，首先準備一張圖片（此處以 PaddleOCR 項目內置的測試圖片為例）：

通過將圖片轉換為 Base64 編碼，并以 POST 方法請求剛剛啟動的 Web 服務，可以看到 PaddleOCR 的執行結果：

部署到 Serverless 架構

目前各大云廠商的 FaaS 平臺均已經逐漸支持容器鏡像部署。所以，可以將項目打包成鏡像，并通過 Serverless Devs 部署到阿里云函數計算。

部署前準備

首先需要完成 Dockerfile 文件：

FROM?python:3.7-slim

RUN apt update && apt install gcc libglib2.0-dev libgl1-mesa-glx libsm6 libxrender1 -y && pip install paddlepaddle bottle scikit-build paddleocrle?scikit-build?paddleocr

# Create app directory

WORKDIR?/usr/src/app

# Bundle app source

COPY . .

編寫符合 Serverless Devs 規范的 Yaml 文檔：

# s.yaml

edition: 1.0.0
name: paddle-ocr
access: default
services:
paddle-ocr:
component: fc
props:
region: cn-shanghai
service:
name: paddle-ocr
description: paddle-ocr service
function:
name: paddle-ocr-function
runtime: custom-container
caPort: 8080
codeUri: ./
timeout: 60
customContainerConfig:
image: 'registry.cn-shanghai.aliyuncs.com/custom-container/paddle-ocr:0.0.1'
command: '["python"]'
args: '["index.py"]'
triggers:
- name: httpTrigger
type: http
config:
authType: anonymous
methods:
- GET
- POST
customDomains:
- domainName: auto
protocol: HTTP
routeConfigs:
- path: /*

項目部署

首先構建鏡像，此處可以通過 Serverless Devs 進行構建：

s build --use-docker

構建完成之后，可以通過工具直接進行部署：

s deploy --push-registry acr-internet --use-local -y

部署完成，可以看到系統返回的測試地址：

項目測試

此時，可以通過該測試地址進行測試，同樣得到了預期效果：

項目優化

通過對部署在 Serverless 架構上的項目進行請求，可以看到冷啟動和熱啟動的時間消耗：

通過冷啟動與熱啟動的對比，我們可以發現，在熱啟動時，整個系統的性能是相對優秀的。但是遇到冷啟動整個項目的響應時常是不可控的，此時可以考慮一下途徑進行優化：

縮減容器鏡像的體積，減少不必要的依賴、文件等，清理掉安裝依賴時留下的緩存等；因為函數計算的冷啟動包括鏡像拉取時間；

部分流程進行優化，例如在 PaddleOCR 項目中有明確說明：“paddleocr 會自動下載 ppocr 輕量級模型作為默認模型”，所以這就意味著該項目在 Serverless 架構的冷啟動過程中，相對比熱啟動還增加了一個模型下載和解壓的流程，所以這一部分在必要時是可以打入到容器鏡像中，進而減少冷啟動帶來的影響；

開啟鏡像加速，可以有效降低容器鏡像的冷啟動，在阿里云函數計算官方文檔中有相關鏡像加速的性能測試描述：“開啟函數計算的鏡像加速后，可提速 2~5 倍，將分鐘級的鏡像拉取縮短至秒級”；

實例預留，最大程度上降低冷啟動率。通過實例預留，可以通過多種算法/策略進行實例的預熱和預啟動，可以最大程度上降低 Serverless 架構冷啟動帶來的影響；

原文鏈接：https://developer.aliyun.com/article/793805?

版權聲明：本文內容由阿里云實名注冊用戶自發貢獻，版權歸原作者所有，阿里云開發者社區不擁有其著作權，亦不承擔相應法律責任。具體規則請查看《阿里云開發者社區用戶服務協議》和《阿里云開發者社區知識產權保護指引》。如果您發現本社區中有涉嫌抄襲的內容，填寫侵權投訴表單進行舉報，一經查實，本社區將立刻刪除涉嫌侵權內容。 與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的PaddlePaddle：在 Serverless 架构上十几行代码实现 OCR 能力的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。