PaddlePaddle 版本1.1.0发布啦！

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。