北京学python去哪里好_北京想学习Python应该去哪里好

统一 Executor 和 ParallelExecutor 接口，用户只需通过 CompiledProgram 将单卡模型转化多卡模型，并利用 Executor 进行训练或者预测。

正式发布 AnalysisConfig 预测接口，支持计算图分析、算子融合等优化，并支持利用 Intel MKLDNN、Nvidia TensorRT 子图引擎等第三方库的加速.

模型库新增发布 PaddlePaddle 视频模型库，提供 5 个视频分类经典模型以及适合视频分类任务的通用骨架代码，用户可一键式配置模型完成训练和评测。

新增支持 NLP 语义表示 BERT 模型，支持多机多卡训练，支持混合精度训练，训练速度对比主流实现提升 50%+，提供完整部署示例。

发布大规模稀疏参数服务器 Benchmark，CPU 多机异步训练发布显著提升点击率预估任务 IO 吞吐的 built-in reader，多机多卡训练性能多方面提升。

版本在基础框架、预测引擎、模型建设、分布式训练上的具体更新情况如下：

基础框架

安装

新增 Linux 和 MacOS 下的中文版本辅助安装脚本，提供交互式安装方式，协助用户在复杂环境下完成 PaddlePaddle 安装。

Windows 支持优化：新增 cuda8，cudnn7 的 GPU 支持，新增 AVX 指令集、MKLDNN、mnist 数据集支持。修复 Windows 加载 Linux/Mac 下同版本 paddle 训练模型的问题。

增加动态图基础功能

动态图 tracer、 autograd、python Layer/PyLayer，动态图支持 MLP、GAN、ptbRNN、Resnet 模型，动态图支持 Optimizer、GPU 训练。

Executor 和 ParallelExecutor 接口优化

对 Executor 和 ParallelExecutor 接口进行统一，用户只需通过 CompiledProgram 将单卡模型转化多卡模型，并利用 Executor 进行训练或者预测。

ParallelExecutor 优化：对 MultiDevSSAGraphBuilder 进行重构，使得 MultiDevSSAGraphBuilder 更易扩展。去除 ParallelExecutor 中的设备锁，提升 ParallelExecutor 多卡调度性能。