PaddlePaddle在基础框架、模型建设、分布式训练、预测引擎各个方向上完成多项更新。OP进行了全面完善和优化,模型库新增了自然语言处理、视觉和推荐等领域的大量经典模型,分布式训练能力显著提升,支持千亿规模稀疏参数大规模多机异步训练,预测库易用性和效率提升,移动端预测支持更多模型和更多硬件。详情如下:
基础框架
安装
Mac OS X 10.11及以上pip安装支持。
Mac OS X 10.12及以上从源码编译安装支持。
编程语言
Python3的支持(python3.5版本)。
IO
新增PyReader,支持用户基于python自定义数据读取和预处理的的高性能数据输入。在ResNet50模型上,单机情况下:单卡数据读取速度提升4%、4卡数据读取速度提升38%、8卡数据读取速度提升60%。
实现一个多进程PyReader decorator,配合PyReader可以实现数据读取性能线性提升。
OP优化
优化了split operator,显著提升性能。
扩展multiclass_nms operator,支持多边形的预测框。
通过generatoe_proposals operator的CUDA实现,显著提升性能。
通过affine_channel operator融合batch_norm operator,显著提升性能。
优化depthwise_conv operator的forward和backward,显著提升性能。
优化reduce_mean operator。
优化sum operator,该operator在输入是Tensor的情况下,减少一次zero memory耗时。
优化top_k operator,显著提升性能。
优化sequence_pool operator,显著提升性能。
优化elementwise_add operator ,显著提升性能。
while operator 性能优化,相关的模型性能整体提升 30%+。
sequence_slice operator的实现,对于一个sequence,可以从指定位置开始,slice出指定长度的subsequence。
sequence_unpad operator的实现,支持padding Tensor转LoDTensor。
支持截断正态分布初始化方法(truncated normal initializer)。
二维padding operator的实现,支持一个每个纬度的首尾padding不同的大小。
更多 operator支持
sequence_reverse operator,sequence_enumerate operator, sequence_scatter operator, roi_align operator,affine_channel operator, anchor_generator operator,generate_proposal_labels operator, generate_proposals operator, rpn_target_assign operator、roi透视变换operator, seq_pool operator、seq_expand operator、seq_concat operator、seq_softmax operator、lod_to_array operator、array_to_lod operator。
显存优化
显存优化策略eager deletion支持control flow (e.g. if-else, while)中子block的优化。显著降低包含control flow的模型的显存开销。
模型建设
自然语言处理方向增加开源语义匹配DAM模型和阅读理解BiDAF模型,机器翻译Transformer模型性能优化后训练速度提升超过30%,模型效果和训练速度均达到业界领先水平。
计算机视觉方向增加开源OCR识别Seq2Seq-Attention模型,目标检测Faster-RCNN模型,图像语义分割DeepLab v3+模型,视频分类TSN模型,图像生成CircleGAN/ConditionalGAN/DCGAN模型,以及Deep Metric Learning模型,模型效果和训练速度均达到业界领先水平。
个性化推荐任务系列模型支持:新闻自动标签模型TagSpace,序列语义召回模型GRU4Rec、SequenceSemanticRetrieval,点击率预估模型DeepCTR,多视角兴趣匹配模型multiview-simnet
TagSpace : TagSpace: Semantic Embeddings from Hashtags
SequenceSemanticRetrieval : Multi-Rate Deep Learning for Temporal Recommendation
multiview-simnet : A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems
GRU4Rec : Session-based Recommendations with Recurrent Neural Networks
DeepCTR : DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
公开的Quora数据集上,实现并复现了四个公开匹配算法,具有较好的通用性,可应用于NLP、搜索、推荐等场景。
cdssmNet:Learning semantic representations using convolutional neural networks for web search
decAttNet:Neural paraphrase identification of questions with noisy pretraining
inferSentNet:Supervised learning of universal sentence representations from natural language inference data
SSENet:Shortcut-stacked sentence encoders for multi-domain inference
分布式训练
GPU多机多卡同步训练支持参数同步频率可配置化,在V100上支持的batch size提升为v1.0版本的8倍,通过合理的通信间隔配置,使GPU卡数较少的情况下超大Batch同步训练成为可能,并在优化算法方面保证了收敛效果不变。
支持千亿规模稀疏参数服务器,用于大规模多机异步训练,适用于推荐、广告等领域的点击率预估模型。
预测引擎
服务器预测
预测库Windows支持。
PaddlePredictor C++ 接口稳定版发布,已经实际支持一部分业务上线,并持续向前兼容。
预发布整合了 TensorRT 子图加速方案。运行时自动切割计算子图调用TensorRT加速。目前Paddle TensorRT 依旧在持续开发中,已支持的模型有 AlexNet, MobileNet, ResNet50, VGG19, ResNet, MobileNet-SSD等。
基于图优化的 CPU 加速 feature,实现了 LSTM,GRU 等一系列 operator 的 fuse,理论上可以大幅提升序列相关模型的性能。
增加了部署时 AVX 和 NOAVX 自动切换的feature,可以针对重点模型实现AVX, AVX2, AVX512自动切换。
提升预测库易用性:只需要 include一个头文件和一个库。
ICNet 预测性能大幅提升。
移动端预测
树莓派上MobileNet、GoogleNet、ResNet 34等多个模型支持。
Mali GPU和Andreno GPU上MobileNet v1模型支持。
ZU5、ZU9等FPGA开发板上ResNet 34和ResNet 50模型支持。