paddlepaddle-dev

PaddlePaddle 飞桨开发 — 环境搭建、模型训练、API 使用。涵盖高层 API (paddle.Model)、低层 API 踩坑、WSL GPU 配置、Context7 文档查询。触发词：飞桨、PaddlePaddle、paddle、MNIST、LeNet、paddle.Model。

Files4

View on GitHub

SKILL.md

GitHub

PaddlePaddle 飞桨开发

核心理念

起步用高层 API (paddle.Model)，不要手写训练循环。 高层 API 自动处理 labels 格式、accuracy 计算等细节，避免踩坑。

环境搭建

WSL2 + GPU（笔记本/单机）

# 1. 创建 venv（Paddle 3.3 需要 Python 3.9-3.13）
uv venv --python 3.12 .venv
source .venv/bin/activate

# 2. 安装 CPU 版
uv pip install paddlepaddle==3.3.0 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/

# 3. 安装 GPU 版（WSL2 有 NVIDIA 驱动即可，不需要手动装 CUDA）
uv pip install paddlepaddle-gpu==3.3.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu126/

# 4. WSL 必须追加 LD_LIBRARY_PATH（libcuda.so 在 /usr/lib/wsl/lib/）
export LD_LIBRARY_PATH="/usr/lib/wsl/lib:$LD_LIBRARY_PATH"

验证

import paddle
print(paddle.__version__)           # 3.3.0
print(paddle.is_compiled_with_cuda()) # True
print(paddle.device.cuda.device_count())
paddle.utils.run_check()

依赖安装（PyPI 超时备用）

# 直连 PyPI 超时时，切清华镜像
uv pip install matplotlib pillow -i https://pypi.tuna.tsinghua.edu.cn/simple

matplotlib 中文字体（图表中文显示为方块）

默认 DejaVu Sans 字体不含 CJK 字符，训练脚本生成的图表中文会变成方块（Glyph missing from font(s) 警告）。

一次性修复：

# 1. 检查是否有中文字体可用
fc-list :lang=zh | head -3

# 2. 如果没有，安装一个（推荐 SimHei/黑体 或 Noto Sans CJK）
# Arch: sudo pacman -S adobe-source-han-sans-cn-fonts
# 或从 Windows 挂载拷贝: cp /mnt/c/Windows/Fonts/simhei.ttf ~/.local/share/fonts/

# 3. 在脚本 import matplotlib.pyplot 之前插入：
import matplotlib.font_manager as fm
fm.fontManager.addfont('/path/to/simhei.ttf')  # 或 NotoSansCJK 等
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']   # 替换为实际字体名
plt.rcParams['axes.unicode_minus'] = False     # 解决负号显示问题

批量为现有脚本打补丁：在每个脚本的 import matplotlib.pyplot 前插入上述 5 行。字体路径通过 fc-list :lang=zh 确认。

开始前：先查文档，再写代码

读本 skill ≠ 不用查文档。 本 skill 提供踩坑经验和常用片段， 具体 API 细节务必先查 Context7（/websites/paddlepaddle_cn_zh）， 尤其是 3.x 版本间的行为差异。避免凭记忆写代码导致反复调试。

正确的 Hello Paddle（高层 API）

import paddle
from paddle.vision.transforms import ToTensor

# 数据
train_dataset = paddle.vision.datasets.MNIST(mode='train', transform=ToTensor())
test_dataset = paddle.vision.datasets.MNIST(mode='test', transform=ToTensor())

# 模型（官方预定义 LeNet）
lenet = paddle.vision.models.LeNet()
model = paddle.Model(lenet)

# 配置 + 训练
model.prepare(
    paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()),
    paddle.nn.CrossEntropyLoss(),
    paddle.metric.Accuracy(),
)
model.fit(train_dataset, epochs=5, batch_size=64, verbose=1)
model.evaluate(test_dataset, verbose=1)

# 保存
paddle.save(model.state_dict(), 'output/mnist.pdparams')

高层 API 自动处理：

  • label shape（不需要手动 squeeze）
  • accuracy 计算（不需要手动 argmax）
  • train/eval 模式切换
  • 进度条 + 日志

低层 API 踩坑（仅当必须手写训练循环时参考）

坑 1：MNIST labels 是 (batch, 1) 不是 (batch,)

现象：argmax(1) == labels 比较结果异常，准确率 >100%

原因：Paddle 3.3 的 MNIST 返回 labels.shape = (64, 1) 而非 (64,)

修复：

labels = labels.squeeze()  # 必须在 forward 前 squeeze

坑 2：.numpy() 返回标量（仅 loss 类）

现象：loss.numpy()[0] → IndexError: too many indices

原因：3.x 中 loss.numpy() 返回 0 维标量，不是 1 维数组

修复：

loss.numpy().item()   # ✅
float(loss.numpy())   # ✅
loss.numpy()[0]       # ❌

注意：model.weight.numpy()[0][0] 仍然正常——weight 是 Parameter，shape 为 (1,1) 的 2D 数组，[0][0] 访问元素没问题。只有 loss 等标量结果 受影响。

坑 3：.astype('int') 行为变更

model.weight 照常：

w = model.weight.numpy()[0][0] # ✅ (2D array → 正常索引)


### 坑 3：.astype('int') 行为变更

**现象**：`astype('int')` 后 sum 的值不对

**修复**：用 `'int64'` 明确类型
```python
(logits.argmax(1) == labels).astype('int64').sum().numpy()

或用 paddle.metric.accuracy() 代替手动计算。

Context7 文档查询

两个最佳 Library ID：

ID 内容 Snippets 用途
/websites/paddlepaddle_cn_zh 中文官方文档 8060 快速开始、数据加载、模型训练
/paddlepaddle/paddle GitHub 源码 2649 API 细节、Release Notes

查询示例：

Context7 query /websites/paddlepaddle_cn_zh "高层API paddle.Model fit MNIST"
Context7 query /paddlepaddle/paddle "paddle.metric.accuracy API"

常用代码片段

Normalize 正确写法

# 高层 API 风格（ToTensor 就够了）
transform = ToTensor()

# 底层 API 风格
transform = Normalize(mean=[127.5], std=[127.5], data_format="CHW")
#                        ^^^^^^     ^^^^^^                  ^^^^^^^^
#                        不是 [0.5]！ data_format="CHW" 必须指定

DataLoader 迭代

loader = paddle.io.DataLoader(dataset, batch_size=64, shuffle=True)
for batch_id, data in enumerate(loader()):
    images, labels = data
    labels = labels.squeeze()  # 3.3 必须！

模型保存/加载

# 保存
paddle.save(model.state_dict(), 'model.pdparams')
# 加载
model.set_state_dict(paddle.load('model.pdparams'))

GPU 选型

CUDA 版本 飞桨源 适用 GPU
CUDA 12.6 .../cu126/ RTX 30/40 系列，A10
CUDA 11.8 .../cu118/ 旧卡保守选择
CUDA 12.9 .../cu129/ H100, Blackwell

驱动要求：nvidia-smi 显示的 Driver Version ≥ 545.23.06（CUDA 12.6）。

Paddle 与 PyTorch API 差异（迁移代码必读）

从 PyTorch 代码迁移到 Paddle 时，以下差异最容易踩坑：

差异 1：nn.Linear.weight.shape 顺序相反

框架 weight shape in_features out_features
PyTorch [out_features, in_features] shape[1] shape[0]
Paddle [in_features, out_features] shape[0] shape[1]

踩坑场景：替换预训练模型的分类头时：

# ❌ PyTorch 写法 — Paddle 下会拿到 out_features
feature_dim = backbone.fc.weight.shape[1]  # 拿到 1000（输出），不是 2048（输入）

# ✅ Paddle 正确写法
feature_dim = backbone.fc.weight.shape[0]  # 2048（输入特征维度）
backbone.fc = nn.Linear(feature_dim, NUM_CLASSES)

差异 2：parameters(filter=...) 不支持

PyTorch 的 model.parameters(filter=lambda p: p.requires_grad) 在 Paddle 中不存在。

# ❌ Paddle 不支持
optimizer = paddle.optimizer.Adam(
    parameters=model.parameters(filter=lambda p: not p.stop_gradient)
)

# ✅ 用列表推导替代
optimizer = paddle.optimizer.Adam(
    parameters=[p for p in model.parameters() if not p.stop_gradient]
)

差异 3：import paddle 作用域问题

paddle 在函数内部 import 后，外部类/函数无法访问。确保模块级 import：

# ❌ 只在函数内 import — 外部类调用时 NameError
def get_system_info():
    import paddle  # 局部作用域

# ✅ 模块顶部 import
import paddle
import paddle.nn as nn

差异 4：MobileNetV3 的 classifier 结构

Paddle 的 mobilenet_v3_small 的 classifier 是 nn.Sequential：

Sequential(
  Linear(576, 1024),    # ← 取第一层 Linear 的输入维度
  Hardsigmoid(),
  Dropout(),
  Linear(1024, 1000),   # ← 不是最后一层！
)

替换时取第一个 Linear 层（不是最后一个）的输入维度：

if isinstance(old_cls, nn.Sequential):
    for layer in old_cls:
        if isinstance(layer, nn.Linear):
            in_features = layer.weight.shape[0]  # 576
            break
mobilenet.classifier = nn.Linear(in_features, 4)

差异 5：自定义模型必须实现 __call__

非 nn.Layer 子类的自定义模型不会自动获得 __call__ 方法。如果类只有 forward() 方法，model(tensor) 会报 not callable：

# ❌ 缺少 __call__ — model(tensor) 报错
class DummyTerrainModel:
    def __init__(self): pass
    def forward(self, x):
        return paddle.randn([x.shape[0], 4])

model = DummyTerrainModel()
output = model(input)  # TypeError: 'DummyTerrainModel' object is not callable

# ✅ 添加 __call__ 代理
class DummyTerrainModel:
    def __init__(self): pass
    def __call__(self, x):
        return self.forward(x)
    def forward(self, x):
        return paddle.randn([x.shape[0], 4])

参考

Related in development

update-docs-vercel-next-js

This skill should be used when the user asks to "update documentation for my changes", "check docs for this PR", "what d...

by vercel
137,316

docstring-pytorch-pytorch

Write docstrings for PyTorch functions and methods following PyTorch conventions. Use when writing or updating docstring...

by pytorch
96,875

at-dispatch-v2

Convert PyTorch AT_DISPATCH macros to AT_DISPATCH_V2 format in ATen C++ code. Use when porting AT_DISPATCH_ALL_TYPES_AND...

dispatch
by pytorch
95,362