深度學(xué)習(xí)已經(jīng)推動(dòng)人工智能進(jìn)入工業(yè)大生產(chǎn)階段，而深度學(xué)習(xí)框架則是智能時(shí)代的操作系統(tǒng)。

在4月23日下午的Wave Summit深度學(xué)習(xí)開(kāi)發(fā)者峰會(huì)上，百度高級(jí)副總裁王海峰開(kāi)場(chǎng)就為深度學(xué)習(xí)框架PaddlePaddle在百度內(nèi)部的戰(zhàn)略地位進(jìn)行了定調(diào)。

王海峰表示，人類已經(jīng)經(jīng)歷了三次工業(yè)革命：機(jī)械技術(shù)、電器技術(shù)以及信息技術(shù)，而這些都是從一個(gè)行業(yè)開(kāi)始，然后擴(kuò)展到各行各業(yè)，直到我們生活的各個(gè)角落。而這些為我們的生活帶來(lái)深刻變革的技術(shù)往往有很強(qiáng)的通用性，包括標(biāo)準(zhǔn)化、自動(dòng)化和模塊化。如今，我們正進(jìn)入第四次工業(yè)革命——智能時(shí)代，而人工智能是第四次工業(yè)革命核心驅(qū)動(dòng)力量。

人工智能經(jīng)歷了人工規(guī)則、機(jī)器學(xué)習(xí)，而深度學(xué)習(xí)的出現(xiàn)則帶來(lái)了很多新的變化，包括語(yǔ)音識(shí)別、語(yǔ)音合成、計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、機(jī)器翻譯等等都因?yàn)樯疃葘W(xué)習(xí)取得了更好的效果。王海峰認(rèn)為，深度學(xué)習(xí)技術(shù)已經(jīng)具備了很強(qiáng)的通用性，正在推動(dòng)人工智能進(jìn)入工業(yè)大生產(chǎn)階段，呈現(xiàn)出標(biāo)準(zhǔn)化、自動(dòng)化和模塊化的特點(diǎn)。深度學(xué)習(xí)框架承上啟下，下接芯片、大型計(jì)算機(jī)系統(tǒng)，上承各種業(yè)務(wù)模型、行業(yè)應(yīng)用，是智能時(shí)代的操作系統(tǒng)。

作為最早研究深度學(xué)習(xí)技術(shù)的公司之一，百度早在2013年即設(shè)立了深度學(xué)習(xí)研究院，并于2016年正式開(kāi)源深度學(xué)習(xí)框架，而PaddlePaddle也身負(fù)百度搶占人工智能時(shí)代高地的重要使命。

在發(fā)布幾年之后，PaddlePaddle不再與TensorFlow、PyTorch等正面競(jìng)爭(zhēng)，而是開(kāi)始強(qiáng)調(diào)自己更懂中文，更懂中國(guó)開(kāi)發(fā)者，以及更加專注于深度學(xué)習(xí)模型的工業(yè)生產(chǎn)和部署，并給自己取了個(gè)中文名「飛槳」。

為籠絡(luò)開(kāi)發(fā)者，現(xiàn)場(chǎng)百度深度學(xué)習(xí)技術(shù)平臺(tái)部總監(jiān)馬艷軍還宣布了“1億元” 的AI Studio算力支持計(jì)劃，為開(kāi)發(fā)者免費(fèi)提供昂貴的計(jì)算資源。

在此次的技術(shù)升級(jí)中，PaddlePaddle除了發(fā)布了11項(xiàng)新特性及服務(wù)，還首次展示了PaddlePaddle的全景圖和未來(lái)的Roadmap，更加凸顯了PaddlePaddle的戰(zhàn)略地位。

PaddlePaddle全景圖

PaddlePaddle可以分為核心框架、工具組件、服務(wù)平臺(tái)。

核心框架支持從開(kāi)發(fā)到訓(xùn)練到預(yù)測(cè)，以及智能推薦工具集PaddleRec、NLP工具集PaddleNLP、計(jì)算機(jī)視覺(jué)PaddleCV工具集，并且支持超過(guò)60個(gè)模型。

工具組件則包括預(yù)訓(xùn)練模型管理框架PaddleHub，強(qiáng)化學(xué)習(xí)框架PARL，基于PaddlePaddle的AutoDL技術(shù)實(shí)現(xiàn)AutoDL Design，數(shù)據(jù)可視化工具庫(kù)VisualDL，以及支持彈性深度學(xué)習(xí)計(jì)算的EDL。

服務(wù)平臺(tái)則主要由可定制化訓(xùn)練深度學(xué)習(xí)模型的EasyDL以及一站式開(kāi)發(fā)平臺(tái)AI Studio組成。EasyDL目前已經(jīng)支持圖像識(shí)別、文本分類、聲音分類等深度學(xué)習(xí)模型的訓(xùn)練，而AI Studio則集合了AI教程、代碼環(huán)境、算法算力、數(shù)據(jù)集和比賽，屬于百度大腦的深度學(xué)習(xí)實(shí)訓(xùn)平臺(tái)。

而此次重磅發(fā)布的更新則涉及11項(xiàng)新特性及服務(wù)，包含PaddleNLP、視頻識(shí)別工具集、Paddle Serving、PaddleSlim、AutoDL Design等多種深度學(xué)習(xí)開(kāi)發(fā)、訓(xùn)練、預(yù)測(cè)環(huán)節(jié)。

開(kāi)發(fā)環(huán)節(jié)

PaddleNLP

PaddlePaddle支持CV、NLP以及推薦系統(tǒng)三大類別的一系列模型算法，目前官方能夠支持的模型數(shù)量已經(jīng)超過(guò)60個(gè)，而且已經(jīng)經(jīng)過(guò)真實(shí)業(yè)務(wù)場(chǎng)景的驗(yàn)證。

PaddleNLP一直是PaddlePaddle的核心組件，囊括了諸多工業(yè)級(jí)中文NLP算法和模型庫(kù)，涵蓋文本分類、序列標(biāo)注、語(yǔ)義匹配等多種NLP任務(wù)的解決方案，而這一次百度對(duì)又PaddleNLP進(jìn)行了中大升級(jí)。

首先，百度把NLP這個(gè)領(lǐng)域的模型做了一套共享骨架代碼，每一個(gè)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(fù)雜程度；其次，這個(gè)工具包可以支持主流的中文處理任務(wù)，并且能夠?qū)崿F(xiàn)工業(yè)級(jí)的應(yīng)用效果。

PaddleNLP由基礎(chǔ)網(wǎng)絡(luò)層和應(yīng)用任務(wù)層構(gòu)成?；A(chǔ)網(wǎng)絡(luò)層是表示層，包括語(yǔ)義表示、語(yǔ)言模型、序列標(biāo)注、文本分類、語(yǔ)義匹配、語(yǔ)言生成與復(fù)雜任務(wù)等組網(wǎng)集合。

分類組網(wǎng)集：可用于文本分類的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，輸入為文本中每個(gè)字、詞的ID，輸出為文本屬于各個(gè)類別的概率。包括：BOW、CNN、GRU、LSTM、BiLSTM。

語(yǔ)義表示組網(wǎng)集：可用于文本表示的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，輸入為文本中每個(gè)字、詞的ID，輸出為文本中每個(gè)字詞的embedding。包括：BERT、ELMo、ERNIE。

語(yǔ)義匹配組網(wǎng)集：可用于計(jì)算短文本相似度的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，輸入為兩個(gè)文本中每個(gè)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(biāo)注組網(wǎng)集：可用于計(jì)算序列標(biāo)注的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，輸入為文本中每個(gè)字的ID，輸出為文本中每個(gè)字所屬各個(gè)標(biāo)注的概率。目前主要有BiGRU-CRF。

語(yǔ)言模型組網(wǎng)集：可以用于計(jì)算句子概率的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，目前主要有LSTM。

復(fù)雜模型組網(wǎng)集：可以處理復(fù)雜任務(wù)的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，包括閱讀理解、對(duì)話等任務(wù)。包括：BERT、BiDAF。

基于這些網(wǎng)絡(luò)結(jié)構(gòu)，同時(shí)再配套任務(wù)相關(guān)的工具和數(shù)據(jù)，PaddleNLP可以實(shí)現(xiàn)一系列的應(yīng)用任務(wù)，包括詞法分析、情感分類等，未來(lái)百度還會(huì)進(jìn)一步擴(kuò)充PaddleNLP的能力。

PaddleNLP還集成了百度近期發(fā)布的最新語(yǔ)義表示預(yù)訓(xùn)練模型——ERNIE。馬艷軍表示，ERNIE把中文領(lǐng)域處理的一些知識(shí)融入到建模的過(guò)程當(dāng)中，從而提升整個(gè)語(yǔ)義表示的效果，它很多中文任務(wù)上它的Benchmarck都比現(xiàn)在最好的效果要好不少。

此外，PaddleNLP的另一大亮點(diǎn)則是在模型訓(xùn)練階段可靈活切換基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)，在任務(wù)預(yù)測(cè)過(guò)程中可靈活組合訓(xùn)練好的模型，大大提高了模型開(kāi)發(fā)的靈活性。

視頻識(shí)別工具集

除了NLP工具集，此次更新的還有視頻識(shí)別的工具集。這個(gè)工具集覆蓋當(dāng)前7個(gè)經(jīng)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(shù)據(jù)的讀取、評(píng)估等方面共享一套代碼，并使用統(tǒng)一的訓(xùn)練和預(yù)測(cè)的框架。

據(jù)介紹，這些視頻理解的技術(shù)已經(jīng)在很多場(chǎng)景下得到了應(yīng)用，并且已經(jīng)在諸多百度產(chǎn)品上廣泛使用。

訓(xùn)練環(huán)節(jié)

針對(duì)訓(xùn)練環(huán)節(jié)，PaddlePaddle也發(fā)布了兩項(xiàng)重要升級(jí)：第一是大規(guī)模分布式訓(xùn)練的能力升級(jí)，第二是工業(yè)級(jí)數(shù)據(jù)處理能力的升級(jí)。

大規(guī)模分布式訓(xùn)練

對(duì)于大規(guī)模分布式訓(xùn)練，PaddlePaddle推出了三個(gè)主要特性：

全方位支持多機(jī)多卡，速度提升。

在CPU的應(yīng)用場(chǎng)景，針對(duì)大規(guī)模稀疏特征，PaddlePaddle設(shè)計(jì)并且開(kāi)放了大規(guī)模稀疏參數(shù)服務(wù)器，開(kāi)發(fā)者可以下載相關(guān)的鏡像。

大規(guī)模分布式訓(xùn)練支持在各種容器上高速運(yùn)行，如今在K8S這個(gè)生態(tài)下也可以使用PaddlePaddle進(jìn)行訓(xùn)練。

針對(duì)多機(jī)多卡的訓(xùn)練場(chǎng)景，在ResNet50數(shù)據(jù)集上進(jìn)行測(cè)試，保持精度不變的情況下，F(xiàn)P16的訓(xùn)練速度要比FP32要快很多。此外，PaddlePaddle還做了帶寬不敏感的技術(shù)，在ResNet50數(shù)據(jù)集上，帶寬不敏感相關(guān)的技術(shù)在性能和效果方面也有非常出色的表現(xiàn)。

在CPU場(chǎng)景下進(jìn)行基于個(gè)性化點(diǎn)擊率預(yù)估任務(wù)場(chǎng)景測(cè)試，可以發(fā)現(xiàn)，不同并發(fā)資源下單位時(shí)間的吞吐量，不同的Batch Size下面加速比，都呈現(xiàn)線性的增長(zhǎng)狀態(tài)，可以直接應(yīng)用到工業(yè)場(chǎng)景。

預(yù)測(cè)環(huán)節(jié)

模型在訓(xùn)練和開(kāi)發(fā)完整之后需要部署到各個(gè)應(yīng)用場(chǎng)景，這里面涉及到幾個(gè)重要環(huán)節(jié)。首先，我們需要高速的推理引擎；在這個(gè)基礎(chǔ)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(yīng)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(wù)器端，PaddlePaddle已經(jīng)支持了比較主流的CPU和GPU；在移動(dòng)端，PaddlePaddle支持多種CPU和GPU，包括ARM的CPU以及Mali GPU等。對(duì)其他硬件的支持也正在快速擴(kuò)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(kù)，另外就是在服務(wù)器端和移動(dòng)端做推理的能力。

多語(yǔ)言支持：PaddlePaddle目前已經(jīng)支持Python、C++，后續(xù)還會(huì)支持JaveScript等編程語(yǔ)言。

工具：PaddlePaddle這次正式發(fā)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(shí)又不損失精度。

方案與服務(wù)：此外，PaddlePaddle還提供完整的方案，比如專用的硬件和部署的手冊(cè)說(shuō)明等等，方便開(kāi)發(fā)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?qū)崿F(xiàn)推理加速，提升用戶的體驗(yàn)。據(jù)介紹，跟某主流框架的對(duì)比，在不同的GPU場(chǎng)景下，PaddlePaddle在多個(gè)模型推理的速度上展現(xiàn)了非常顯著的加速效果。

另外，在移動(dòng)端（ARM處理器），用MobileNet進(jìn)行測(cè)試，PaddlePaddle也實(shí)現(xiàn)了很好的效果。

Paddle Serving

針對(duì)服務(wù)器端，此次PaddlePaddle也終于開(kāi)放了Serving的能力，可以實(shí)現(xiàn)模型從訓(xùn)練到上線服務(wù)器的無(wú)縫對(duì)接。Paddle Serving還內(nèi)置了諸多模型，可以實(shí)現(xiàn)批量預(yù)測(cè)。其架構(gòu)圖顯示，Paddle Serving有離線的準(zhǔn)備和在線的實(shí)現(xiàn)，另外還有基本的Built-in的一些預(yù)處理執(zhí)行器。

Paddle Serving可以提供非常完備的在線服務(wù)能力，包括單服務(wù)多個(gè)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(kuò)展的，包括CPU、GPU。同時(shí)，還有內(nèi)置了多個(gè)模型服務(wù)，包括圖像分類、文本分類等。

PaddleSlim

在移動(dòng)端部署深度學(xué)習(xí)模型常常要考慮模型的大小，因此模型壓縮的能力在移動(dòng)端的場(chǎng)景下是一個(gè)剛需。PaddleSlim做了參數(shù)集中管理，可以對(duì)模型進(jìn)行自動(dòng)壓縮，并且提升了操作的便利程度，開(kāi)發(fā)者只需要兩行Python代碼就可以調(diào)自動(dòng)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(kāi)發(fā)到訓(xùn)練到部署的全流程，PaddlePaddle還更新了幾款工具組件：自動(dòng)化網(wǎng)絡(luò)設(shè)計(jì)工具AutoDL Design，強(qiáng)化學(xué)習(xí)工具PARL，以及預(yù)訓(xùn)練一站式管理工具PaddleHub。

AutoDL Design

AutoDL是一種高效的自動(dòng)搜索構(gòu)建最佳網(wǎng)絡(luò)結(jié)構(gòu)的方法，通過(guò)增強(qiáng)學(xué)習(xí)在不斷訓(xùn)練過(guò)程中得到定制化高質(zhì)量的模型。系統(tǒng)由兩部分組成，第一部分是網(wǎng)絡(luò)結(jié)構(gòu)的編碼器，第二部分是網(wǎng)絡(luò)結(jié)構(gòu)的評(píng)測(cè)器。這次PaddlePaddle發(fā)布的AutoDL Design的版本，主要是基于PaddlePaddle和PARL來(lái)實(shí)現(xiàn)，并且已經(jīng)開(kāi)源。

PARL

PaddlePaddle針對(duì)強(qiáng)化學(xué)習(xí)的工具PARL進(jìn)行了諸多升級(jí)，在算法覆蓋、高性能通訊以及并行訓(xùn)練方面做了大量的支持和擴(kuò)展。百度前一段時(shí)間在NeurIPS獲得AI假尸挑戰(zhàn)賽冠軍的模型，運(yùn)用了Target Driven DDPG + Bootstrapping的方法實(shí)現(xiàn)，并取得了很好地效果。

PaddleHub

PaddleHub是基于PaddlePaddle開(kāi)發(fā)的預(yù)訓(xùn)練模型管理工具，可以借助預(yù)訓(xùn)練模型更便捷地開(kāi)展遷移學(xué)習(xí)工作。利用這個(gè)平臺(tái)，只需10行左右的代碼就可以實(shí)現(xiàn)遷移學(xué)習(xí)，從而在自己的任務(wù)場(chǎng)景下使用。

架構(gòu)圖顯示，PaddleHub封裝了一系列的NLP和CV領(lǐng)域的數(shù)據(jù)集，同時(shí)還在數(shù)據(jù)的處理方面做了Reader封裝。PaddleHub目前已經(jīng)支持5大類的預(yù)訓(xùn)練模型，包括Transformer分析等等，還有幾類模型會(huì)在后續(xù)陸續(xù)開(kāi)放。同時(shí)，PaddleHub還支持文本分類、序列標(biāo)注等任務(wù)場(chǎng)景下的遷移，并提供了兩種優(yōu)化策略來(lái)提升遷移學(xué)習(xí)的效果。最后，PaddleHub還提供Finetune API和命令行，保證開(kāi)發(fā)者可以快速使用PaddleHub來(lái)做遷移學(xué)習(xí)。

Roadmap

在2016年百度開(kāi)源了PaddlePaddle，并且在2017年、2018年的時(shí)間內(nèi)陸續(xù)把PaddlePaddle Fluid新一代的深度學(xué)習(xí)框架做了完善，并發(fā)布了穩(wěn)定的1.0版本。根據(jù)PaddlePaddle的Roadmap，7月PaddlePaddle還會(huì)發(fā)布Fluid動(dòng)態(tài)圖分布式訓(xùn)練的功能，以及會(huì)新增流水線并行的能力，分布式訓(xùn)練會(huì)變得更快。11月PaddlePaddle會(huì)實(shí)現(xiàn)動(dòng)態(tài)圖的能力與靜態(tài)圖的靈活轉(zhuǎn)換，讓開(kāi)發(fā)更加便捷，兼顧效率和性能。

2019年7月：

動(dòng)態(tài)圖基本功能完善，新增流水線并行能力

提供視覺(jué)檢測(cè)、生成工具集，使用文檔全面優(yōu)化

顯存占用優(yōu)化，靜態(tài)圖訓(xùn)練速度全面提升

優(yōu)化高速推理引擎，支持在更多硬件的快速擴(kuò)展，完善支持半精度

2019年11月：

動(dòng)態(tài)圖實(shí)現(xiàn)與靜態(tài)圖靈活轉(zhuǎn)換，支持高層 API

動(dòng)態(tài)圖訓(xùn)練速度全面優(yōu)化

PaddleHub 升級(jí)到 2.0，基于最完備的預(yù)訓(xùn)練模型庫(kù)進(jìn)行遷移學(xué)習(xí)

多項(xiàng)行業(yè)應(yīng)用解決方案發(fā)布

“1億元” 籠絡(luò)人心

想要籠絡(luò)開(kāi)發(fā)者的心，單靠這些功能更新顯然不行，畢竟TensorFlow、PyTorch等已經(jīng)十分強(qiáng)大。因此百度還推出了“1億元”的AI Studio算力支持計(jì)劃。

馬艷軍介紹，開(kāi)發(fā)者可以免費(fèi)申請(qǐng)使用工業(yè)級(jí)應(yīng)用的一些旗艦型的GPU硬件，這次主要是V100，另外還提供免費(fèi)、免安裝的集成環(huán)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(chǔ)空間。第二種是遠(yuǎn)程集群模式，開(kāi)發(fā)者只要登錄AI Studio做預(yù)測(cè)，就可以免費(fèi)使用上面的算力資源。

除了免費(fèi)算力，PaddlePaddle還會(huì)提供各種深度學(xué)習(xí)的培訓(xùn)、認(rèn)證等等，壯大自己的朋友圈，打造自己的開(kāi)發(fā)者生態(tài)，讓更多開(kāi)發(fā)者來(lái)使用百度云服務(wù)，最終實(shí)現(xiàn)AI的商業(yè)化落地。

2018年7月，李彥宏在百度AI開(kāi)發(fā)者上喊出了要讓“Everyone Can AI”的口號(hào)，PaddlePaddle具有重要的戰(zhàn)略地位。不過(guò)，CSDN的《2018-2019中國(guó)開(kāi)發(fā)者調(diào)查報(bào)告》顯示，目前國(guó)內(nèi)絕大部分的開(kāi)發(fā)者依然選擇主流的深度學(xué)習(xí)開(kāi)發(fā)框架，PaddlePaddle依然任重道遠(yuǎn)。