我们提供了两种配置PaddlePaddle、PaddleClas环境的方法，第一种需要基于 docker 手动配置，您可以根据提供的命令更灵活的配置您的环境，详情请见1. 手动配置PaddlePaddle, PaddleClas环境。第二种方式是我们将 PaddlePaddle、PaddleClas 相关的环境已配置到一个 docker 镜像中，您可以直接拉取使用，详情请见2. 快速创建PaddlePaddle, PaddleClas环境。
目前，PaddleClas 要求 PaddlePaddle 版本 >=2.3。
建议使用Paddle官方提供的 Docker 镜像运行 PaddleClas，有关 Docker、nvidia-docker 的相关使用教程可以参考链接。
- 切换到工作目录下，例如工作目录为
/home/Projects，则运行命令:
cd /home/Projects- 创建 docker 容器
下述命令会创建一个名为 ppcls 的 Docker 容器，并将当前工作目录映射到容器内的 /paddle 目录。
# 对于 GPU 用户
sudo nvidia-docker run --name ppcls -v $PWD:/paddle --shm-size=8G --network=host -it registry.baidubce.com/paddlepaddle/paddle:2.3.0-gpu-cuda10.2-cudnn7 /bin/bash
# 对于 CPU 用户
sudo docker run --name ppcls -v $PWD:/paddle --shm-size=8G --network=host -it paddlepaddle/paddle:2.3.0-gpu-cuda10.2-cudnn7 /bin/bash注意：
-
首次使用该镜像时，下述命令会自动下载该镜像文件，下载需要一定的时间，请耐心等待；
-
上述命令会创建一个名为 ppcls 的 Docker 容器，之后再次使用该容器时无需再次运行该命令；
-
参数
--shm-size=8G将设置容器的共享内存为 8 G，如机器环境允许，建议将该参数设置较大，如64G； -
您也可以访问 DockerHub ，手动选择需要的镜像；
-
退出/进入 docker 容器：
- 在进入 Docker 容器后，可使用组合键
Ctrl + P + Q退出当前容器，同时不关闭该容器； - 如需再次进入容器，可使用下述命令：
sudo Docker exec -it ppcls /bin/bash - 在进入 Docker 容器后，可使用组合键
您也可以用pip或conda直接安装paddle，详情请参考官方文档中的快速安装部分。
使用以下命令可以验证 PaddlePaddle 是否安装成功。
import paddle
paddle.utils.run_check()查看 PaddlePaddle 版本的命令如下：
python -c "import paddle; print(paddle.__version__)"注意：
- 从源码编译的 PaddlePaddle 版本号为
0.0.0，请确保使用 PaddlePaddle 2.3 及之后的源码进行编译； - PaddleClas 基于 PaddlePaddle 高性能的分布式训练能力，若您从源码编译，请确保打开编译选项
WITH_DISTRIBUTE=ON。具体编译选项参考 编译选项表； - 在 Docker 中运行时，为保证 Docker 容器有足够的共享内存用于 Paddle 的数据读取加速，在创建 Docker 容器时，请设置参数
--shm-size=8g，条件允许的话可以设置为更大的值。
从 GitHub 下载：
git clone https://github.com/PaddlePaddle/PaddleClas.git如果访问 GitHub 网速较慢，可以从 Gitee 下载，命令如下：
git clone https://gitee.com/paddlepaddle/PaddleClas.git- [建议] 直接安装 PaddleClas：
pip install paddleclas- 如需使用 PaddleClas develop 分支体验最新功能，或是需要基于 PaddleClas 进行二次开发，请本地构建安装，命令如下：
python setup.py install我们也提供了包含最新 PaddleClas 代码的 docker 镜像，并预先安装好了所有的环境和库依赖，您只需要拉取并运行docker镜像，无需其他任何额外操作，即可开始享用 PaddleClas 的所有功能。
在Docker Hub中获取这些镜像及相应的使用指南，包括CPU、GPU、ROCm 版本。
如果您对自动化制作docker镜像感兴趣，或有自定义需求，请访问PaddlePaddle/PaddleCloud做进一步了解。
备注：当前的镜像中的 PaddleClas 代码默认使用最新的 release/2.4 分支。
PaddleClas 使用 txt 格式文件指定训练集和测试集，以场景分类为例，其中需要指定 train_list.txt 和 val_list.txt 当作训练集和验证集的数据标签，格式形如：
# 每一行采用"空格"分隔图像路径与标注
train/1.jpg 0
train/10.jpg 1
...
如果您想获取更多常用分类数据集的信息，可以参考文档可以参考 PaddleClas 分类数据集格式说明 。
如果您已经有实际场景中的数据，那么按照上节的格式进行标注即可。这里，我们提供了一个快速生成数据的脚本，您只需要将不同类别的数据分别放在文件夹中，运行脚本即可生成标注文件。
首先，假设您存放数据的路径为./train，train/ 中包含了每个类别的数据，类别号从 0 开始，每个类别的文件夹中有具体的图像数据。
train
├── 0
│ ├── 0.jpg
│ ├── 1.jpg
│ └── ...
└── 1
├── 0.jpg
├── 1.jpg
└── ...
└── ...tree -r -i -f train | grep -E "jpg|JPG|jpeg|JPEG|png|PNG" | awk -F "/" '{print $0" "$2}' > train_list.txt其中，如果涉及更多的图片名称尾缀，可以增加 grep -E后的内容， $2 中的 2 为类别号文件夹的层级。
备注： 以上为数据集获取和生成的方法介绍，本项目所使用的场景识别数据集如下。
进入 scene-classification/dataset/ 目录。
cd path/to/scene-classification/dataset
dataset文件夹下的SceneNet与SceneTest分别为场景识别任务的训练集与测试集，格式如下。
SceneNet
├── 0 #城市街巷
│ ├── 01.jpg
│ ├── 02.jpg
│ ├── ...
│ └── 90.jpg
├── 1 #丘陵
│ ├── 01.jpg
│ ├── 02.jpg
│ ├── ...
│ └── 90.jpg
├── 2 #山地
│ ├── 01.jpg
│ ├── 02.jpg
│ ├── ...
│ └── 90.jpg
└── 3 #戈壁
├── 01.jpg
├── 02.jpg
├── ...
└── 90.jpgSceneTest
├── 0 #城市街巷
│ ├── 91.jpg
│ ├── 92.jpg
│ ├── ...
│ └── 100.jpg
├── 1 #丘陵
│ ├── 91.jpg
│ ├── 92.jpg
│ ├── ...
│ └── 100.jpg
├── 2 #山地
│ ├── 91.jpg
│ ├── 92.jpg
│ ├── ...
│ └── 100.jpg
└── 3 #戈壁
├── 91.jpg
├── 92.jpg
├── ...
└── 100.jpgPULC 采用了轻量骨干网络 PP-LCNet，相比同精度竞品速度快 50%，您可以在PP-LCNet介绍查阅该骨干网络的详细介绍。 直接使用 PP-LCNet 训练的命令为：
export CUDA_VISIBLE_DEVICES=0
python3 -m paddle.distributed.launch \
--gpus="0" \
tools/train.py \
-c ./ppcls/configs/PULC/zw/PPLCNet_x1_0_search.yamlPaddlePaddle 支持导出 inference 模型用于部署推理场景，相比于训练调优场景，inference 模型会将网络权重与网络结构进行持久化存储，并且 PaddlePaddle 支持使用预测引擎加载 inference 模型进行预测推理。
进入 scene-classification 目录下：
cd /path/to/scene-classification场景识别使用的配置文件为 ppcls/configs/PULC/zw/PPLCNet_x1_0_search.yaml，将该模型转为 inference 模型只需运行如下命令：
python tools/export_model.py \
-c ppcls/configs/PULC/zw/PPLCNet_x1_0_search.yaml \
-o Global.pretrained_model=output/v4/PPLCNet_x1_0/best_model \
-o Global.save_inference_dir=deploy/models/zw_SceneNet_v4模型导出后，使用以下命令进行预测：
python3.7 deploy/python/predict_cls.py -c deploy/configs/inference_cls_zw.yaml