深度學習已經推動人工智能進入工業大生產階段，而深度學習框架則是智能時代的操作系統。

在4月23日下午的Wave Summit深度學習開發者峰會上，百度高級副總裁王海峰開場就為深度學習框架PaddlePaddle在百度內部的戰略地位進行了定調。

王海峰表示，人類已經經歷了三次工業革命：機械技術、電器技術以及信息技術，而這些都是從一個行業開始，然后擴展到各行各業，直到我們生活的各個角落。而這些為我們的生活帶來深刻變革的技術往往有很強的通用性，包括標準化、自動化和模塊化。如今，我們正進入第四次工業革命——智能時代，而人工智能是第四次工業革命核心驅動力量。

人工智能經歷了人工規則、機器學習，而深度學習的出現則帶來了很多新的變化，包括語音識別、語音合成、計算機視覺、自然語言處理、機器翻譯等等都因為深度學習取得了更好的效果。王海峰認為，深度學習技術已經具備了很強的通用性，正在推動人工智能進入工業大生產階段，呈現出標準化、自動化和模塊化的特點。深度學習框架承上啟下，下接芯片、大型計算機系統，上承各種業務模型、行業應用，是智能時代的操作系統。

作為最早研究深度學習技術的公司之一，百度早在2013年即設立了深度學習研究院，并于2016年正式開源深度學習框架，而PaddlePaddle也身負百度搶占人工智能時代高地的重要使命。

在發布幾年之后，PaddlePaddle不再與TensorFlow、PyTorch等正面競爭，而是開始強調自己更懂中文，更懂中國開發者，以及更加專注于深度學習模型的工業生產和部署，并給自己取了個中文名「飛槳」。

為籠絡開發者，現場百度深度學習技術平臺部總監馬艷軍還宣布了“1億元” 的AI Studio算力支持計劃，為開發者免費提供昂貴的計算資源。

在此次的技術升級中，PaddlePaddle除了發布了11項新特性及服務，還首次展示了PaddlePaddle的全景圖和未來的Roadmap，更加凸顯了PaddlePaddle的戰略地位。

PaddlePaddle全景圖

PaddlePaddle可以分為核心框架、工具組件、服務平臺。

核心框架支持從開發到訓練到預測，以及智能推薦工具集PaddleRec、NLP工具集PaddleNLP、計算機視覺PaddleCV工具集，并且支持超過60個模型。

工具組件則包括預訓練模型管理框架PaddleHub，強化學習框架PARL，基于PaddlePaddle的AutoDL技術實現AutoDL Design，數據可視化工具庫VisualDL，以及支持彈性深度學習計算的EDL。

服務平臺則主要由可定制化訓練深度學習模型的EasyDL以及一站式開發平臺AI Studio組成。EasyDL目前已經支持圖像識別、文本分類、聲音分類等深度學習模型的訓練，而AI Studio則集合了AI教程、代碼環境、算法算力、數據集和比賽，屬于百度大腦的深度學習實訓平臺。

而此次重磅發布的更新則涉及11項新特性及服務，包含PaddleNLP、視頻識別工具集、Paddle Serving、PaddleSlim、AutoDL Design等多種深度學習開發、訓練、預測環節。

開發環節

PaddleNLP

PaddlePaddle支持CV、NLP以及推薦系統三大類別的一系列模型算法，目前官方能夠支持的模型數量已經超過60個，而且已經經過真實業務場景的驗證。

PaddleNLP一直是PaddlePaddle的核心組件，囊括了諸多工業級中文NLP算法和模型庫，涵蓋文本分類、序列標注、語義匹配等多種NLP任務的解決方案，而這一次百度對又PaddleNLP進行了中大升級。

首先，百度把NLP這個領域的模型做了一套共享骨架代碼，每一個模型都可以用同一套API和類似的模式，大大降低了操作的復雜程度；其次，這個工具包可以支持主流的中文處理任務，并且能夠實現工業級的應用效果。

PaddleNLP由基礎網絡層和應用任務層構成。基礎網絡層是表示層，包括語義表示、語言模型、序列標注、文本分類、語義匹配、語言生成與復雜任務等組網集合。

分類組網集：可用于文本分類的深度學習網絡結構，輸入為文本中每個字、詞的ID，輸出為文本屬于各個類別的概率。包括：BOW、CNN、GRU、LSTM、BiLSTM。

語義表示組網集：可用于文本表示的深度學習網絡結構，輸入為文本中每個字、詞的ID，輸出為文本中每個字詞的embedding。包括：BERT、ELMo、ERNIE。

語義匹配組網集：可用于計算短文本相似度的深度學習網絡結構，輸入為兩個文本中每個詞的ID，輸出為二者的相似度得分。包括：BOW、CNN、GRU、LSTM、MMDNN。

序列化標注組網集：可用于計算序列標注的深度學習網絡結構，輸入為文本中每個字的ID，輸出為文本中每個字所屬各個標注的概率。目前主要有BiGRU-CRF。

語言模型組網集：可以用于計算句子概率的深度學習網絡結構，目前主要有LSTM。

復雜模型組網集：可以處理復雜任務的深度學習網絡結構，包括閱讀理解、對話等任務。包括：BERT、BiDAF。

基于這些網絡結構，同時再配套任務相關的工具和數據，PaddleNLP可以實現一系列的應用任務，包括詞法分析、情感分類等，未來百度還會進一步擴充PaddleNLP的能力。

PaddleNLP還集成了百度近期發布的最新語義表示預訓練模型——ERNIE。馬艷軍表示，ERNIE把中文領域處理的一些知識融入到建模的過程當中，從而提升整個語義表示的效果，它很多中文任務上它的Benchmarck都比現在最好的效果要好不少。

此外，PaddleNLP的另一大亮點則是在模型訓練階段可靈活切換基礎網絡結構，在任務預測過程中可靈活組合訓練好的模型，大大提高了模型開發的靈活性。

視頻識別工具集

除了NLP工具集，此次更新的還有視頻識別的工具集。這個工具集覆蓋當前7個經典的視頻分類模型，包括TSN、Non-Local、stNet、TSM、Attention LSTM、Attention Cluster、NextVLAD。這些模型共享同一套配置文件，并且在數據的讀取、評估等方面共享一套代碼，并使用統一的訓練和預測的框架。

據介紹，這些視頻理解的技術已經在很多場景下得到了應用，并且已經在諸多百度產品上廣泛使用。

訓練環節

針對訓練環節，PaddlePaddle也發布了兩項重要升級：第一是大規模分布式訓練的能力升級，第二是工業級數據處理能力的升級。

大規模分布式訓練

對于大規模分布式訓練，PaddlePaddle推出了三個主要特性：

全方位支持多機多卡，速度提升。

在CPU的應用場景，針對大規模稀疏特征，PaddlePaddle設計并且開放了大規模稀疏參數服務器，開發者可以下載相關的鏡像。

大規模分布式訓練支持在各種容器上高速運行，如今在K8S這個生態下也可以使用PaddlePaddle進行訓練。

針對多機多卡的訓練場景，在ResNet50數據集上進行測試，保持精度不變的情況下，FP16的訓練速度要比FP32要快很多。此外，PaddlePaddle還做了帶寬不敏感的技術，在ResNet50數據集上，帶寬不敏感相關的技術在性能和效果方面也有非常出色的表現。

在CPU場景下進行基于個性化點擊率預估任務場景測試，可以發現，不同并發資源下單位時間的吞吐量，不同的Batch Size下面加速比，都呈現線性的增長狀態，可以直接應用到工業場景。

預測環節

模型在訓練和開發完整之后需要部署到各個應用場景，這里面涉及到幾個重要環節。首先，我們需要高速的推理引擎；在這個基礎之上，為了部署在更多的硬件上，我們常常需要做模型壓縮；最后，為了真正投入使用，還需要有相應的硬件。

上圖是PaddlePaddle完整的端到端的全流程部署方案。

底層：在服務器端，PaddlePaddle已經支持了比較主流的CPU和GPU；在移動端，PaddlePaddle支持多種CPU和GPU，包括ARM的CPU以及Mali GPU等。對其他硬件的支持也正在快速擴充中。

推理引擎：在底層硬件之上就是推理引擎，一方面是底層的加速庫，另外就是在服務器端和移動端做推理的能力。

多語言支持：PaddlePaddle目前已經支持Python、C++，后續還會支持JaveScript等編程語言。

工具：PaddlePaddle這次正式發布的是一整套壓縮工具，可以不同的端上把模型壓到最小，同時又不損失精度。

方案與服務：此外，PaddlePaddle還提供完整的方案，比如專用的硬件和部署的手冊說明等等，方便開發者部署和使用。

推理引擎

PaddlePaddle在推理引擎方面做了大量工作，能夠實現推理加速，提升用戶的體驗。據介紹，跟某主流框架的對比，在不同的GPU場景下，PaddlePaddle在多個模型推理的速度上展現了非常顯著的加速效果。

另外，在移動端（ARM處理器），用MobileNet進行測試，PaddlePaddle也實現了很好的效果。

Paddle Serving

針對服務器端，此次PaddlePaddle也終于開放了Serving的能力，可以實現模型從訓練到上線服務器的無縫對接。Paddle Serving還內置了諸多模型，可以實現批量預測。其架構圖顯示，Paddle Serving有離線的準備和在線的實現，另外還有基本的Built-in的一些預處理執行器。

Paddle Serving可以提供非常完備的在線服務能力，包括單服務多個模型，包括多版本的模型A/B Testing，模型的熱更新等等這些能力。硬件也是可擴展的，包括CPU、GPU。同時，還有內置了多個模型服務，包括圖像分類、文本分類等。

PaddleSlim

在移動端部署深度學習模型常常要考慮模型的大小，因此模型壓縮的能力在移動端的場景下是一個剛需。PaddleSlim做了參數集中管理，可以對模型進行自動壓縮，并且提升了操作的便利程度，開發者只需要兩行Python代碼就可以調自動化的模型壓縮能力。目前PaddleSlim支持三種主要的壓縮能力，包括剪枝、量化以及蒸餾的方法。

工具

除了從開發到訓練到部署的全流程，PaddlePaddle還更新了幾款工具組件：自動化網絡設計工具AutoDL Design，強化學習工具PARL，以及預訓練一站式管理工具PaddleHub。

AutoDL Design

AutoDL是一種高效的自動搜索構建最佳網絡結構的方法，通過增強學習在不斷訓練過程中得到定制化高質量的模型。系統由兩部分組成，第一部分是網絡結構的編碼器，第二部分是網絡結構的評測器。這次PaddlePaddle發布的AutoDL Design的版本，主要是基于PaddlePaddle和PARL來實現，并且已經開源。

PARL

PaddlePaddle針對強化學習的工具PARL進行了諸多升級，在算法覆蓋、高性能通訊以及并行訓練方面做了大量的支持和擴展。百度前一段時間在NeurIPS獲得AI假尸挑戰賽冠軍的模型，運用了Target Driven DDPG + Bootstrapping的方法實現，并取得了很好地效果。

PaddleHub

PaddleHub是基于PaddlePaddle開發的預訓練模型管理工具，可以借助預訓練模型更便捷地開展遷移學習工作。利用這個平臺，只需10行左右的代碼就可以實現遷移學習，從而在自己的任務場景下使用。

架構圖顯示，PaddleHub封裝了一系列的NLP和CV領域的數據集，同時還在數據的處理方面做了Reader封裝。PaddleHub目前已經支持5大類的預訓練模型，包括Transformer分析等等，還有幾類模型會在后續陸續開放。同時，PaddleHub還支持文本分類、序列標注等任務場景下的遷移，并提供了兩種優化策略來提升遷移學習的效果。最后，PaddleHub還提供Finetune API和命令行，保證開發者可以快速使用PaddleHub來做遷移學習。

Roadmap

在2016年百度開源了PaddlePaddle，并且在2017年、2018年的時間內陸續把PaddlePaddle Fluid新一代的深度學習框架做了完善，并發布了穩定的1.0版本。根據PaddlePaddle的Roadmap，7月PaddlePaddle還會發布Fluid動態圖分布式訓練的功能，以及會新增流水線并行的能力，分布式訓練會變得更快。11月PaddlePaddle會實現動態圖的能力與靜態圖的靈活轉換，讓開發更加便捷，兼顧效率和性能。

2019年7月：

動態圖基本功能完善，新增流水線并行能力

提供視覺檢測、生成工具集，使用文檔全面優化

顯存占用優化，靜態圖訓練速度全面提升

優化高速推理引擎，支持在更多硬件的快速擴展，完善支持半精度

2019年11月：

動態圖實現與靜態圖靈活轉換，支持高層 API

動態圖訓練速度全面優化

PaddleHub 升級到 2.0，基于最完備的預訓練模型庫進行遷移學習

多項行業應用解決方案發布

“1億元” 籠絡人心

想要籠絡開發者的心，單靠這些功能更新顯然不行，畢竟TensorFlow、PyTorch等已經十分強大。因此百度還推出了“1億元”的AI Studio算力支持計劃。

馬艷軍介紹，開發者可以免費申請使用工業級應用的一些旗艦型的GPU硬件，這次主要是V100，另外還提供免費、免安裝的集成環境，直接上手使用。

具體的使用模式有兩種，第一種是一人一卡的模式，包括16G的顯存，最高2T的存儲空間。第二種是遠程集群模式，開發者只要登錄AI Studio做預測，就可以免費使用上面的算力資源。

除了免費算力，PaddlePaddle還會提供各種深度學習的培訓、認證等等，壯大自己的朋友圈，打造自己的開發者生態，讓更多開發者來使用百度云服務，最終實現AI的商業化落地。

2018年7月，李彥宏在百度AI開發者上喊出了要讓“Everyone Can AI”的口號，PaddlePaddle具有重要的戰略地位。不過，CSDN的《2018-2019中國開發者調查報告》顯示，目前國內絕大部分的開發者依然選擇主流的深度學習開發框架，PaddlePaddle依然任重道遠。