百度飞桨框架2.0正式版重磅发布，一次端到端的“基础设施”革新？

在人工智能时代，深入学习框架连接芯片，承担各种应用，是智能时代的操作系统。最近，中国首个自主研发、功能完善、开源开放的产业级深度学习框架飞桨发布了2.0正式版，实现了跨时代的升级。

本次2.0版本的发表可以说是基础设施的全面更新！在生活中，我们看到了很多基础设施建设工程，如西电东送、南水北调、高速铁路建设等，这些在保证生产生活设施正常运行、推进社会整体经济发展和人们生活水平改善的过程中，以润物无声的形式发挥着重要的基础作用这次飞桨升级以这种方式为产业和生态整体发展的繁荣奠定了基础，积累了能量，增加了后劲！下面详细介绍许多开发人员飞桨做了哪些基础设施水平的重要工程。

使用飞桨框架2.0更高效地开发AI模型

成熟完善的动态图模型

此次升级，飞桨将默认的开发模型升级为命令编程模型，即常说的动态图。桨机框架2.0支持用户使用动态图完成深度学习相关领域全类型的模型算法开发。在动态图模式下，开发人员可以随时查看变量的输入、输出，方便快捷的调整程序，带来最佳的开发体验。为了解决动态图的部署问题，飞桨提供了全面完善的动作支持，在Python语法支持的垄断度上达到了领先水平。开发商在动态图程序设计调试过程中，只需添加一个装饰器，就可以无缝地自动实现静态图培训或模型保存。同时，桨框架2.0实现了模型存储和加载的接口统一，保证动作静止后保存的模型文件能够在纯动态图中加载和使用。

在划桨框架2.0版本中，官方支持的动态图算法数量达到200条，涵盖了计算机视觉、自然语言处理、语音、推荐等多个领域，动态图的训练效率和配置效率都提高了。2.0版本的动态图支持自动混合精度和量化训练功能，实现比静态图简洁灵活的混合精度训练界面，达到与静态图匹敌的混合精度和量化训练效果。从功能和性能的角度来看，桨的动态图在国产深度学习框架中处于领先地位！

同时，为推动各主流场景的产业级应用，飞桨系列开发套件也随飞桨框架2.0完成升级，全面支持动态图开发模式。从开发、培训到预测配置提供优质体验。如视觉领域图像分割套件PaddleSeg，随飞桨框架2.0升级后，复盖高精度和轻量级等不同特征的大量高品质分割模型，采用模块化设计，提供配置驱动和API调用两种应用方式，开发人员可以更方便地完成全过程图像分割应用具体可以参考以下链接中的项目例子。

飞桨框架2.0动态图模型:

https://github.com/pade/develop/dygraph

新的paddleseg项目应用实例:

https:/aistudio.baidu.com/aistudio/pradleseg项目应用实例:

新的padlesesese项目应用实例:以及重要的使用系统/13桨框架2.0对API系统进行了新的升级，开发人员们在使用桨的开发过程中可以体验到自由、流畅的喜悦。

系统化:基于长期产业实践的积累和用户使用习惯的洞察，桨重新整理和优化API的系统结构，使其更加明确、科学，使许多开发人员更容易根据开发使用场景找到想要的API。另外，通过class和functional两种形式的APIPI模块化组织代码和网络，提高开发效率。同时，API的丰富大幅提高，共增加API217个，优化API195个。

简洁:提供更适合低代码编程的上层API。数据增强、数据生产线建立、循环批量训练等标准化的工作流程和一些经典的网络模型结构，在桨框2.0中被封装为上层API。基于飞桨高层API，开发商只需10行左右代码即可完成培训部分程序。最重要的是，上层API和基础API采用一体化设计，在编程过程中可以同时使用上层API和基础API，使用户在简单的开发和精细的调整之间自由定制。全新API系统完全兼容历史版本，同时飞桨提供升级工具，帮助开发商降低升级搬迁成本。

桨开源框架2.0API参考文件:

https://www.paddlepaddle.org.cn/documentation/docs/zh/api/index_cn.html

使用桨框架2.0更有效地训练AI模型

行业内首个通用异构参数服务器架构

飞桨框架2.0推出行业内首个通用异构参数服务器技术，解除传统参数服务器模式必须严格使用同一硬件型号Trainer节点的束缚，使训练任务对硬件型号不敏感，同时可以使用不同的硬件进行异构训练，如CPU、GPU(如V100、P40、K40)通过异构参数服务器架构，用户可以在硬件异构集群中部署分布式培训任务，高效利用不同计算能力的芯片，为用户提供更高吞吐量、更低资源消耗的培训能力。