openeuler/paddlepaddle

PaddlePaddle | openEuler Docker镜像

镜像概述

本镜像为基于openEuler构建的PaddlePaddle官方Docker镜像，由https://gitee.com/openeuler/cloudnative%E7%BB%B4%E6%8A%A4%E3%80%82PaddlePaddle%E4%BD%9C%E4%B8%BA%E4%B8%AD%E5%9B%BD%E9%A6%96%E4%B8%AA%E8%87%AA%E4%B8%BB%E7%A0%94%E5%8F%91%E7%9A%84%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%B9%B3%E5%8F%B0%EF%BC%8C%E8%87%AA2016%E5%B9%B4%E8%B5%B7%E6%AD%A3%E5%BC%8F%E5%BC%80%E6%BA%90%EF%BC%8C%E9%80%82%E7%94%A8%E4%BA%8E%E5%90%84%E7%B1%BB%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E4%BB%BB%E5%8A%A1%E7%9A%84%E5%BC%80%E5%8F%91%E4%B8%8E%E9%83%A8%E7%BD%B2%E3%80%82%E6%9C%AC%E4%BB%93%E5%BA%93%E5%8F%AF%E5%85%8D%E8%B4%B9%E4%BD%BF%E7%94%A8%E4%B8%94%E6%97%A0%E7%94%A8%E6%88%B7%E9%80%9F%E7%8E%87%E9%99%90%E5%88%B6%E3%80%82

核心功能与特性

• 多架构支持：同时支持amd64和arm64架构
• 稳定可靠：基于openEuler稳定版本构建，确保运行环境一致性
• 开箱即用：内置PaddlePaddle深度学习框架，无需额外配置
• 开源免费：遵循开源协议，无使用限制和速率限制

支持的标签及对应Dockerfile链接

每个paddlepaddle镜像标签由PaddlePaddle版本和基础镜像版本组成，具体信息如下：

使用方法

根据需求选择相应的{Tag}进行操作。

拉取镜像

bash
docker pull openeuler/paddlepaddle:{Tag}

交互式shell运行

可通过交互式shell启动容器使用PaddlePaddle：

bash
docker run -it --rm openeuler/paddlepaddle:{Tag} bash

MNIST示例：PaddlePaddle基础使用

以下示例演示如何使用PaddlePaddle构建、训练、评估、保存和加载基于LeNet的神经网络，用于MNIST手写数字识别任务。

完整示例代码

python
import paddle
import numpy as np
from paddle.vision.transforms import Normalize

# 1) 加载并转换MNIST数据集
transform = Normalize(mean=[127.5], std=[127.5], data_format="CHW")
train_dataset = paddle.vision.datasets.MNIST(mode="train", transform=transform)
test_dataset = paddle.vision.datasets.MNIST(mode="test", transform=transform)

# 2) 定义模型（LeNet）
lenet = paddle.vision.models.LeNet(num_classes=10)
model = paddle.Model(lenet)

# 3) 配置训练过程
model.prepare(
    paddle.optimizer.Adam(parameters=model.parameters()),
    paddle.nn.CrossEntropyLoss(),
    paddle.metric.Accuracy(),
)

# 4) 训练模型
model.fit(train_dataset, epochs=5, batch_size=64, verbose=1)

# 5) 评估模型
model.evaluate(test_dataset, batch_size=64, verbose=1)

# 6) 保存训练好的模型
model.save("./output/mnist")

# 7) 加载训练好的模型
model.load("output/mnist")

# 8) 对单张测试图片进行推理
img, label = test_dataset[0]
img_batch = np.expand_dims(img.astype("float32"), axis=0)
out = model.predict_batch(img_batch)[0]
pred_label = out.argmax()
print("真实标签: {}, 预测标签: {}".format(label[0], pred_label))

预期输出

step 938/938 [==============================] - loss: 0.1575 - acc: 0.9275 - 31ms/step                            
Epoch 2/5
step 938/938 [==============================] - loss: 0.0990 - acc: 0.9740 - 32ms/step                            
Epoch 3/5
step 938/938 [==============================] - loss: 0.0196 - acc: 0.9792 - 32ms/step                           
Epoch 4/5
step 938/938 [==============================] - loss: 0.0052 - acc: 0.9804 - 31ms/step                           
Epoch 5/5
step 938/938 [==============================] - loss: 0.0253 - acc: 0.9831 - 32ms/step                               
Eval begin...
step 157/157 [==============================] - loss: 3.7890e-04 - acc: 0.9839 - 13ms/step                           
Eval samples: 10000
真实标签: 7, 预测标签: 7

问题反馈

如有任何问题或需使用特定功能，请在https://gitee.com/openeuler/openeuler-docker-images%E4%BB%93%E5%BA%93%E6%8F%90%E4%BA%A4issue%E6%88%96Pull Request。获取帮助可联系https://gitee.com/openeuler/cloudnative%E6%88%96https://gitee.com/openeuler/community%E3%80%82