【TechWeb】4月23日，百度开源深度学习平台PaddlePaddle今日发布其官方中文名“飞桨”，同时正式发布11项新特性及服务。

百度在2013年即设立全球首个深度学习研究院，2016年百度PaddlePaddle 正式开源，成为中国首个也是目前国内唯一开源开放、功能完备的端到端深度学习平台。

现场，百度深度学习技术平台部总监马艳军首次对外公布了PaddlePaddle全景图，集核心框架、工具组件和服务平台为一体的端到端开源深度学习平台，囊括支持面向真实场景应用、达到工业级应用效果的模型，针对大规模数据场景的分布式训练能力、支持多种异构硬件的高速推理引擎等。

同时，马艳军发布PaddlePaddle的11项新特性及服务，包含PaddleNLP、视频识别工具集、Paddle Serving、PaddleSlim、AutoDL Design等，覆盖深度学习开发、训练、预测环节。

具体的，首先，PaddlePaddle核心框架层开放了从开发到训练，再到预测的一整套完整能力。开发环节， PaddlePaddle已开源60多个经过真实业务场景验证的官方模型，涵盖视觉、NLP、推荐等 AI核心技术领域，成为官方支持模型最多的深度学习平台。全新发布PaddleCV及业界首个视频识别工具集。面向工业应用的中文 NLP 工具集 PaddleNLP，将自然语言处理领域的多种模型用一套共享骨架代码实现，可减少开发者在开发过程中的重复工作。拥有当前业内效果最好的中⽂语义表示模型和基于用户大数据训练的应用任务模型，模型源于产业实践，达到工业级的应用效果。

首次重磅发布的视频识别工具集，为开发者提供解决视频理解、视频编辑、视频生成等一系列任务。它开放了7个视频分类经典模型，这些模型共享一套配置文件，并且在数据的读取、评估等方面共享一套代码，覆盖视频识别方向的主流领先模型，还可实现一键式的高效配置来做训练和预测。

训练环节，大规模分布式训练主要从三方面实现了升级。首先多机多卡的全面高效支持，提升了速度；其次是在CPU的应用场景方面，针对大规模稀疏特征设计并开放了大规模稀疏参数服务器，开发者可轻松下载相关镜像使用；大规模分布式训练支持在各种容器上高速运行，同时支持在K8S生态下使用PaddlePaddle进行训练。

数据处理方面，优化分布式IO，增加远程文件系统流式读取能力。GPU多机多卡同步训练通过增加稀疏通信能力提升带宽不敏感训练能力，在低配网络带宽网络环境下，例如10G网络下，同步训练可提速10倍。

开发和训练后，将模型部署到各种应用场景下是非常关键的一个步骤。部署环节需要高速的推理引擎，在此基础上，为了部署在更多的硬件上往往需要做模型压缩，在真正使用时，还需要软硬一体能力的支持。

基于此，PaddlePaddle准备了完整的端到端的全流程部署方案，并将持续扩展对各类硬件的支持。基于多硬件的支持，PaddlePaddle提供性能全面领先的底层加速库和推理引擎，全新发布Paddle Serving支持服务器端的快速部署。不仅如此，模型体积压缩库PaddleSlim也是为开发者准备的“重磅惊喜”，针对体积已经很小的MobileNet模型，它仍能在模型效果不损失的前提下实现70%以上的体积压缩。

工具组件方面，此次，PaddlePaddle不仅开源AutoDL Design、升级PARL，并首次提出并发布预训练一站式管理工具PaddleHub。

传统神经网络的结构设计是由人根据经验设计，并不断的进行调参训练获得最优结果，这个过程较为复杂和费时费力。AutoDL Design自动化网络结构设计是用深度学习设计深度学习，目前已经全面超过人类专家设计的网络效果。升级后的强化学习工具PARL，在算法的覆盖、高性能通讯以及并行的训练方面做了大量支持和扩展。简明易用的预训练模型管理工具PaddleHub，提供包括预训练模型管理、命令行一键式使用和迁移学习三大功能，10行代码即可让开发者完成模型迁移。

此外，现场马艳军还宣布，百度一站式开发平台AI Studio重磅推出算力支持计划，“我们提供总计1亿元免费算力，助力开发者成功”。

据介绍，免费算力主要以两种模式提供，第一种是一人一卡模式，V100的训练卡包括16G的显存，最高2T的存储空间。另外一种是远程集群模式，PaddlePaddle提供高性能集群，供开发者免费使用。

相关报道: