摘要

本博文将最后的讲解和学习有关于的Paddle的核心框架的分享。并且有关于的Paddle的学习就暂时告一段落。后期本人将更多的在与深度学习的原理和利用Paddle开发自己的深度学习模型作为分享。飞桨开源框架(PaddlePaddle)是一个易用、高效、灵活、可扩展的深度学习框架。你可参考飞桨框架的 Github 了解详情，也可阅读版本说明了解2.0版本的特性。使用教程分为如下的模块：

整体介绍 : 飞桨框架2.0新特性的介绍与飞桨框架2.0升级指南的说明。
模型开发 : 飞桨框架2.0模型开发全流程说明。
模型可视化 : 介绍如何用VisualDL实现飞桨框架模型的可视化。
动态图转静态图 : 介绍飞桨框架动态图转静态图的方法。
预测部署 : 介绍如何使用训练好的模型进行预测。
分布式训练 : 介绍如何使用分布式进行训练。
昆仑XPU芯片运行飞桨 : 介绍如何在昆仑XPU芯片环境上安装和使用飞桨。
自定义算子 : 介绍飞桨框架自定义算子的方法。
参与开发 : 介绍如何参与飞桨框架的开发。
其他说明 : 飞桨框架的其他说明文档。

一、模型开发

当完成了快速上手的任务后，下面这些模块会阐述如何用飞桨框架2.0，实现深度学习过程中的每一步。具体包括：

数据集定义与加载 : 飞桨框架数据加载的方式，主要为paddle.io.Dataset + paddle.io.DataLoader，以及飞桨内置数据集的介绍。
数据预处理 : 飞桨框架数据预处理的方法，主要是paddle.vision.transform.*。
模型组网 : 飞桨框架组网API的介绍，主要是paddle.nn.*，然后是飞桨框架组网方式的介绍，即 Sequential 的组网与 SubClass 的组网。
训练与预测 : 飞桨框架训练与预测的方法，有两种方式，一种是使用高层APIpaddle.Model封装模型，然后调用model.fit()、model.evaluate()、model.predict()完成模型的训练与预测；另一种是用基础API完成模型的训练与预测，也就是对高层API的拆解。
资源配置 : 飞桨框架在单机单卡、单机多卡的场景下完成模型的训练与预测。
自定义指标 : 飞桨框架自定义指标的方法，主要包含自定义Loss、自定义Metric与自定义Callback。
模型的加载与保存 : 飞桨框架模型的加载与保存体系介绍。
模型转ONNX协议 : 飞桨框架模型转换为ONNX格式介绍。

二、VisualDL 工具

VisualDL 工具简介
VisualDL 使用指南

三、动态图转静态图

动态图有诸多优点，包括易用的接口，Python风格的编程体验，友好的debug交互机制等。在动态图模式下，代码是按照我们编写的顺序依次执行。这种机制更符合Python程序员的习惯，可以很方便地将大脑中的想法快速地转化为实际代码，也更容易调试。但在性能方面， Python执行开销较大，与C++有一定差距。因此在工业界的许多部署场景中（如大型推荐系统、移动端）都倾向于直接使用C++来提速。

相比动态图，静态图在部署方面更具有性能的优势。静态图程序在编译执行时，先搭建模型的神经网络结构，然后再对神经网络执行计算操作。预先搭建好的神经网络可以脱离Python依赖，在C++端被重新解析执行，而且拥有整体网络结构也能进行一些网络结构的优化。

动态图代码更易编写和debug，但在部署性能上，静态图更具优势。因此我们新增了动态图转静态图的功能，支持用户依然使用动态图编写组网代码。PaddlePaddle会对用户代码进行分析，自动转换为静态图网络结构，兼顾了动态图易用性和静态图部署性能两方面优势。

我们在以下链接介绍PaddlePaddle动态图转静态图的各个部分：

基本用法 : 介绍了动态图转静态图的基本使用方法
内部架构原理：介绍了动态图转静态图的架构原理
支持语法列表：介绍了动态图转静态图支持的语法以及罗列不支持的语法写法
InputSpec功能介绍：介绍了动态图转静态图指定输入InputSpec的功能和用法
报错信息处理：介绍了动态图转静态图的报错信息处理方法
调试方法：介绍了动态图转静态图支持的调试方法

四、推理部署

作为飞桨生态重要的一部分，飞桨提供了多个推理产品，完整承接深度学习模型应用的最后一公里。整体上分，推理产品主要包括如下子产品

名称	英文表示	适用场景
飞桨原生推理库	Paddle Inference	高性能服务器端、云端推理
飞桨服务化推理框架	Paddle Serving	自动服务、模型管理等高阶功能
飞桨轻量化推理引擎	Paddle Lite	移动端、物联网等
飞桨前端推理引擎	Paddle.js	浏览器中推理、小程序等

各产品在推理生态中的关系如下

用户使用飞桨推理产品的工作流 如下

获取一个飞桨的推理模型，其中有两种方法
1. 利用飞桨训练得到一个推理模型
2. 用 X2Paddle 工具从第三方框架（比如 TensorFlow 或者 Caffe 等）产出的模型转化
（可选）对模型进行进一步优化， PaddleSlim 工具可以对模型进行压缩，量化，裁剪等工作，显著提升模型执行的速度性能，降低资源消耗
将模型部署到具体的推理产品上

五、分布式训练

您可以通过以下内容,了解飞桨分布式训练的特性和使用指南:

分布式训练快速开始 : 使用飞桨框架快速开始分布式训练。
使用FleetAPI进行分布式训练 : 使用飞桨框架FleetAPI完成分布式训练。

六、昆仑XPU芯片运行飞桨

百度昆仑AI计算处理器（Baidu KUNLUN AI Computing Processor）是百度集十年AI产业技术实践于2019年推出的全功能AI芯片。基于自主研发的先进XPU架构，为云端和边缘端的人工智能业务而设计。百度昆仑与飞桨及其他国产软硬件强强组合，打造一个全面领先的国产化AI技术生态，部署和应用于诸多 “人工智能+“的行业领域，包括智能云和高性能计算，智慧制造、智慧城市和安防等。更多昆仑XPU芯片详情及技术指标请点击这里。参考以下内容可快速了解和体验昆仑XPU芯片上运行飞桨：

飞桨对昆仑XPU芯片的支持 : 飞桨支持昆仑XPU芯片运行
飞桨框架昆仑xpu版安装说明 : 飞桨框架昆仑xpu版安装说明
飞桨框架昆仑XPU版训练示例 : 飞桨框架昆仑XPU版训练示例

七、自定义算子

本部分将指导您如何在飞桨中新增算子（Operator，简称Op），也包括一些必要的注意事项

自定义原生算子
原生算子开发注意事项
自定义Python算子（静态图）
自定义外部算子（新）
自定义外部算子（旧）

八、参与开发

本地开发指南
提交PR注意事项
FAQ

其他说明

您可以通过以下内容，了解更多飞桨框架的说明:

飞桨硬件支持 : 说明飞桨产品支持的硬件。
飞桨框架API映射表 : 说明飞桨框架1.X版本与飞桨框架2.0版本API对应关系。

博文参考

深度学习平台——Paddle核心框架介绍相关推荐

百度开源深度学习平台Paddle
百度开源深度学习平台Paddle 吃瓜群众表示只想知道好不好.百度今天开源了其深度学习平台Paddle,引发了挺多人工智能领域开发者的兴趣,包括一些之前一直在Tensorflow和Caffe上练手的开 ...
Win10_64位系统安装CUDA、CUDDN、深度学习平台Paddle 、PaddleX安装总结
人工智能(Artificial Intelligence),英文缩写为AI.它是研究.开发用于模拟.延伸和扩展人的智能的理论.方法.技术及应用系统的一门新的技术科学.2016年8月百度开源了深度学习框 ...
微博深度学习平台架构和实践
深度学习平台介绍: 什么是深度学习框架? 深度学习框架是进行深度学习的工具.简单来说,一套深度学习框架就是一套积木,各个组件就是某个模型或算法:开发者通过简单设计和组装就能获得自己的一套方案.深度学习 ...
1.3 飞桨开源深度学习平台介绍
介绍飞桨在行业内的应用情况.产品全景.技术优势,以及飞桨的安装方法和联系方式. 深度学习框架近年来深度学习在很多机器学习领域都有着非常出色表现,在图像识别.语音识别.自然语言处理.机器人.网络广告投 ...
AI Studio 飞桨零基础入门深度学习笔记4-飞桨开源深度学习平台介绍
AI Studio 飞桨零基础入门深度学习笔记4-飞桨开源深度学习平台介绍深度学习框架深度学习框架优势深度学习框架设计思路飞桨开源深度学习平台飞桨开源深度学习平台全景框架和全流程工具模 ...
semiplannar 什么是_图像识别VPU——易用的嵌入式AI支持深度学习平台介绍
公司玩了大半年的嵌入式AI平台,现在产品进入量产模式,也接触了很多嵌入式方案,有了一些心得体会,本人不才,在这里介绍一下一款简单易用的嵌入式AI方案--Movidius Myriad 2 VPU(MA ...
图像识别VPU——易用的嵌入式AI支持深度学习平台介绍
公司玩了大半年的嵌入式AI平台,现在产品进入量产模式,也接触了很多嵌入式方案,有了一些心得体会,本人不才,在这里介绍一下一款简单易用的嵌入式AI方案--Movidius Myriad 2 VPU(MA ...
飞桨开源深度学习平台介绍
深度学习框架近年来深度学习在很多机器学习领域都有着非常出色的表现,在图像识别.语音识别.自然语言处理.机器人.网络广告投放.医学自动诊断和金融等领域有着广泛应用.面对繁多的应用场景,深度学习框架有助 ...
第九章：深度学习平台及框架
目录 ➢ Part One.深度学习平台概览 ➢一.深度学习平台框架对照 ➢ Part Two.TensorFlow ➢一.TensorFlow的起源 ➢二.TensorFlow中的张量 ➢三.Ten ...

深度学习平台——Paddle核心框架介绍

摘要