paddlepaddle（个人学习记录）

在深度学习初始阶段，每个深度学习研究者都需要写大量的重复代码。为了提高工作效率，这些研究者就将这些代码写成了一个框架放到网上让所有研究者一起使用。接着，网上就出现了不同的框架。随着时间的推移，最为好用的几个框架被大量的人使用从而流行了起来。 [1]  全世界最为流行的深度学习框架有PaddlePaddle、Tensorflow、Caffe、Theano、MXNet、Torch和PyTorch。

深度学习框架的出现降低了入门的门槛，你不需要从复杂的神经网络开始编代码，你可以根据需要选择已有的模型，通过训练得到模型参数，你也可以在已有模型的基础上增加自己的layer，或者是在顶端选择自己需要的分类器和优化算法（比如常用的梯度下降法）。当然也正因如此，没有什么框架是完美的，就像一套积木里可能没有你需要的那一种积木，所以不同的框架适用的领域不完全一致。 总的来说深度学习框架提供了一些列的深度学习的组件（对于通用的算法，里面会有实现），当需要使用新的算法的时候就需要用户自己去定义，然后调用深度学习框架的函数接口使用用户自定义的新算法。

 近几年随着深度学习算法的发展，出现了许多深度学习框架。这些框架各有所长，各具特色。常用的开源框架有TensorFlow、Keras、Caffe、PyTorch、Theano、CNTK、MXNet、PaddlePaddle、Deeplearning4j、ONNX等。

深度学习框架像Caffe、tensorflow，这些是深度学习的工具，简单来说就是库，编程时需要import caffe、import tensorflow。
作一个简单的比喻，一套深度学习框架就是这个品牌的一套积木，各个组件就是某个模型或算法的一部分，你可以自己设计如何使用积木去堆砌符合你数据集的积木。

---

PaddlePaddle 是起源于百度的开源深度学习平台。

PaddlePaddle是百度研发的开源开放的深度学习平台，有全面的官方支持的工业级应用模型，涵盖自然语言处理、计算机视觉、推荐引擎等多个领域，并开放多个领先的预训练中文模型。

---

PaddleDetection

飞桨目标检测开发套件PaddleDetection，旨在帮助开发者更快更好地完成检测模型的训练、精度速度优化到部署全流程。PaddleDetection以模块化的设计实现了多种主流目标检测算法，并且提供了丰富的数据增强、网络组件、损失函数等模块，集成了模型压缩和跨平台高性能部署能力。目前基于PaddleDetection已经完成落地的项目涉及工业质检、遥感图像检测、无人巡检等多个领域

---

GPU算力支持：飞桨AI Studio提供在线开发环境，比赛专属Tesla V100 GPU算力补贴，破除选手算力桎梏。

AIstudio是百度人工智能学习与实训社区（paddle实践社区），是针对AI学习者的在线一体化开发实训平台。

---

亿元算力支持计划

2019年4月23日，在首届WAVE SUMMIT 2019深度学习开发者峰会上，百度宣布了AI Studio算力支持计划，开放价值近亿元人民币的免费算力资源，助力开发者成功。免费算力主要以两种模式提供，第一种是一人一卡模式，V100的训练卡包括16G的显存，可达2T的存储空间。另外一种是远程集群模式，飞桨提供高性能集群，供开发者免费使用，登陆AI Studio即可使用。

---

那么，PaddlePaddle 有什么特点

支持多种深度学习模型 DNN（深度神经网络）、CNN（卷积神经网络）、 RNN（递归神经网络），以及 NTM 这样的复杂记忆模型。

基于 Spark，与它的整合程度很高。

支持 Python 和 C++ 语言。

支持分布式计算。作为它的设计初衷，这使得 PaddlePaddle 能在多 GPU，多台机器上进行并行计算。

---

---