飞桨高层API上手体验

这两天参加了百度飞桨组织的《高层API助你快速上手深度学习》的实战课程，这是飞桨在本月份推出paddlepaddle2.0正式版后，第一个系列介绍课程。

课程的内容涉及计算机深度学习视觉与NLP，主题包括：十二生肖分类、人脸关键点检测、美食评论分析、自动对春联四个任务。通过几天的实践，大体对

高层API的使用及一般任务处理流程有所了解，本文就把这些内容进行简单介绍。

一、paddle2.0开发框架

课程使用的深度学习开发框架paddle的名字来历如上所示。paddle2.0作为正式拥抱动态模型的开始，应该说与目前主流的PyTorch、TensorFlow2.0大体处于了同一个水平。

从官方的api文档中了解到，paddle.fluid.*, paddle.dataset.* 会在未来的版本中废弃。paddle.fluid是1.x的主要api路径，可以说本次的更新是根本性的。

api结构的设计，可以看出类PyTorch的影子。熟悉PyTorch的人，可以很容易上手。

paddle2.0开发框架设计，也类似PyTorch，将视觉、NLP的处理单独进行包的组织：paddle.text、paddle.vision。paddle的扩展库，以前给人的感觉就是太多、太杂。

这次从开发人员的消息中了解到，paddle.text、paddle.vision中会持续将其他扩展库的内容进行吸收、整合。

二、高层API的使用流程

高层API对标的是Keras级别的封装。以高效开发、使用便利为目标。

将开发流程划分为6个步骤：

1. 问题定义---明确任务及处理的数据
2. 准备数据---收集数据，将数据包装成dataset。这里主要使用paddle.io.Dataset、paddle.io.DataLoader类完成。
3. 模型选择与开发---paddle.vision.models及paddle.text.model下预置了一些常用的模型。不可否认，目前模型还比较少。
4. 模型训练与调优---过去使用底层api开发时，是耗时很多的地方。目前使用paddle.Model将模型封装后，

        就可以用model.prepare进行模型训练配置，使用model.fit进行训练，与传统的sklearn库使用接口类似。

    5.模型评估测试---模型评估用model.evaluate即可完成，测试用model.predict，都尽量简化。

    6.部署上线---只要将训练合格的模型用model.save(path,traing=False)保存，就可将模型用于部署。

高层api，基本简化到一个步骤使用一、两个函数即可完成。

三、网络设计方式

深度学习中，算法设计的核心工作就是构建合适的深度学习网络。paddle2.0中提供了3种构建方式：

方式一：使用paddle.nn.Sequential，构建串行的网络结构。这种方式能有一定灵活性，但有限，处于3种方式中的中间位置。

方式二：实现paddle.nn.Layer的子类。这种方式最灵活，是专业人员构建复杂模型的首选。

方式三：直接使用内置的模型。paddle.vision.models与paddle.text.models下，预置了一些模型。使用最简单，但受限制也最大。

四、部署方式

百度的的Paddle系列，对模型部署提供了全方位的支持：

• web端推理---使用Paddle.js
• 移动端与嵌入设备---使用Paddle Lite
• 云服务部署---Paddel Serving
• 服务器部署---Paddle Inference，使用服务器的GPU计算能力，提供推理支持。

以上为Paddle家族对训练、部署的支持工具集合，其中X2Paddle用于将TensorFlow、PyTorch的模型转换为Paddle的专用格式。

---

从几天的了解，Paddle2.0是真正具有了替代PyTorch、TensorFlow的能力。希望在未来的国家间AI赛道上，Paddle能够作为中国的支撑。