更准确的说，是飞桨深度学习框架支撑下的深度学习。

当然，纵然如此描述，对付大多人来说，“深度学习框架”仍旧是一个太技能化的表达，它因何出生、为何存在、能做什么，实在便是这篇小文想传达的信息。

当然，也有很多人对“飞桨”这个词感到好奇，认为指的是“飞机的螺旋桨”，实在，对付“最像文科生的理科生”的百度来说，公司名称固然来自宋词里的“众里寻他千百度”，深度学习框架的名称实在也来自于宋代文人朱熹的“闻说双飞桨，翩然下广津”，“飞桨”直意实在是“很快的快船”，表达了人们希望借助飞桨助推AI走得更快更远的梦想。

这样一说，你是否对飞桨开始有了兴趣呢？

01为中国智能家当革命而生

作甚深度学习

要理解作甚“深度学习框架”，就必须要阐明作甚“深度学习”。

这本身是一个巨大的寻衅，比如，在李开复博士的《人工智能》一书中，只管利用了大量的譬喻和图表，也用了足足6页共12面纸的篇幅，来试图让普通读者理解作甚“深度学习”，可见这是一个多么难以阐释的观点。

还是举个例子吧，如果我们要在街头探求流浪猫——常日有两个办法：

方法之一，是设定“作甚流浪猫”的详细条件，而且越细越好，比如“体型瘦弱”、”毛发缭乱”“身上带伤”等，为了精准识别，可能还要设定“毛发长度超过多少mm就算缭乱”等颗粒度越来越细的规则，直到规则可以覆盖大多数识别条件。

用这个方法演习出的算法，最大的瓶颈在于要人为设定足够多的规则和标注足够多的数据，才能只管即便让结果精准。

方法之二，是不设定“作甚流浪猫”的详细条件，让打算机自己去识别，系统只会见告打算机“识别对了”或“错了”，那么在无数次的试错后，系统就会通过算法自己沉淀一套履历，即“选择什么样的特色是对的”，从而让机器自己去学习和创造“流浪猫的特色是什么”的规则。

随着数据的不断累加，识别率会越来越精准；更主要的是，这个过程不是人为设定规则来进行的，是机器“自己在学”，这便是“深度学习”，更符合我们人类的学习习气。

这个譬喻，对专业人士绝对谈不上准确，但是大致可以让人们对深度学习有个相对明确的感知。

在人工智能的发展历史上，深度学习的起源可以追溯到好几十年前，比如深度学习的核心打算模型——人工神经网络观点的出身（1943年），乃至比通用打算机的涌现（1946年）更早……经由无数天才的完善，2006年深度学习大师杰弗里.辛顿用一篇名为《一种深度置信网络的快速学习算法》发布了深度学习浪潮的掀起，2010年后，随着算法、算力以及广泛的实践，深度学习被认为是目前实现人工智能的最紧张的路径之一。

让机器具备智能的道路有千万条，深度学习绝不是唯一的一条，但却是目前走的人最多、趟的最远的一条路。
也可以说，在被新的革命性范式替代之前，深度学习，是我们目前大规模培植智能社会的必由之路。

百度为什么要做深度学习框架？

大家都知道，打算机编程的产品是“程序”，深度学习事情的产品是“模型”，实在“模型”便是一种程序，创造AI能力的过程便是一种编程。

比如，绝大多数人都知道，人类最早的编程措辞是“机器措辞”，便是用带有小孔的纸带来编写程序，让打算机开始事情的。

但这样带来的一个问题便是，利用机器措辞的门槛高、难度大。

笔者曾经采访过物理学家杨振宁教授，他回顾过一个很有趣的细节，上世纪50年代他有机会利用IBM的大型打算机进行理论物理研究，但随即创造利用机器措辞来编程实在是太难了，为此他不得不发明一种专门给自己的措辞。

换句话说，一种生产工具是否能够盛行，紧张取决于它是否能提高事情效率。

在深度学习的早期，利用者大都是真正的高等研究职员，他们可以自己直接编写深度学习模型。
然而，只管如此，这些聪明人仍旧创造，每个深度学习模型的编写，都须要做大量的重复性事情，写无数重复的代码。

因此，这些研究者为了提高事情效率，就把编写深度学习模型的几个必要过程，逐个提炼出来，然后把古人的研究成果不断的沉淀在个中，使得后来人可以直接调用某些成果，从而大幅度的降落了编写深度学习模型的门槛。

这些模块的组合过程中，逐渐产生了一个相对稳定、通用程度相对高的“最优组合”，这便是我们所说的“深度学习框架”。

而随着历史的演进，网上就涌现了不同的框架。
随着韶光的推移，最为好用的几个框架被大量的人利用，从而盛行了起来，全天下最为盛行的深度学习框架有PaddlePaddle（飞桨）、Tensorflow、PyTorch、Caffe、Theano、MXNet、Torch等，前三者号称三大主流框架。

于是这里面就涉及一个问题，为什么全天下最主流的三个框架——PaddlePaddle（来自百度）、Tensorflow（来自谷歌）、PyTorch（来自Facebook）都是来自于巨子企业，而不是科研院所或小公司呢？

大略说，开拓一个深度学习框架并不难，但要开拓一个能让天下范围内开拓者广泛利用的家当级深度学习框架，须要投入的人力和资源是极其巨大的，而且还须要海量的数据和强大的算力根本，后者更是大公司上风非常集中的领域。

接下来说一点关于飞桨的问题，大家可能把稳到，飞桨对外开源的韶光是2016年。

这一年发生了什么呢？对AI行业来说，最主要的便是阿尔法Go降服李世石，掀起了环球对付人工智能的第三波浪潮，而且，和上世纪60年代和90年代的两波浪潮比较，这一波浪潮有了算力、根本举动步伐和运用处景的支持，是最靠近于走入工业界，彻底改变数字天下运行规则的一次。

而深度学习框架被认为在AI领域的主要性，就相称于PC时期的操作系统。

从微不雅观角度来看，对付百度这样量级的企业，通过开源框架牢牢吸引开拓者，在自身平台上不断产生生态效应，孕育未来的AI时期征象级产品与运用，是建立AI生态型企业的必由之路。

而从宏不雅观角度来看，在飞桨涌现之前，中国的AI界在深度学习框架方面运用的基本都是舶来品。

而就在飞桨开源后不到1年的韶光，国务院印发了《新一代人工智能发展框架》，明确提出在2030年中国要成为天下紧张人工智能创新中央。

对付这一目标，飞桨便是基石和土壤，而且，绝不是一块贫瘠的土壤。

在深度学习模型开拓、演习、预测和支配等方面，飞桨已可比肩TensorFlow、PyTorch等国际主流框架，并在多项技能上有优于后者的表现，而且，在中国市场范围来看，PaddlePaddle有三个突出上风。

第一，飞桨拥有唯一供应适用中文文档与数据集的开拓全栈做事；

第二，飞桨的后发上风，使得其模型库、开拓套件、工具集乃至包括低代码开拓工具都是最全的，这个对降落开拓难度的代价极大；

第三，也是我们后面还要着重讲到的是，飞桨是基于在中国的千行百业中的家当实践而出身的，它从基因上和中国的智能化浪潮是同源的，也能够更直接的适配中国的AI家当实践。

本日的飞桨，已经深深扎根于家当环境和开拓生态当中，并且和家当形成了良性互动，开拓者面对的问题，便是飞桨急速会去办理的问题。

因此，中国须要有自己的AI创新根本，有弘大的中国AI家当与开拓集群，这些家当和开拓者都须要适用于本土的框架体系，也自然会被飞桨的社区氛围吸引。

这些年，中国的培植以前所未见的速率进行，这也是中国之以是被称作“基建狂魔”的缘故原由。

而在AI时期，中国同样也是“基建狂魔”，只不过这里的“基建”，已经成了“新基建”，中国已经错过了历史上三次工业革命，显然，“新基建”将帮助我们在第四次工业革命开始的时候，成为赛道里的头部选手。

在过去30年里，中国制造办理了中国经济总量进入天下前列的问题，但在本日，传统制造业的“动能”已经开始减退，我们急迫须要改造千行百业，不但升级制造业，也通过通讯、AI与打算底层举动步伐等的建造，更新全体社会的技能底座。

以深度学习为代表的第三代AI技能，是中国引领第四次工业革命的主要推力，而飞桨则是这统统的基石之一，未来的家当智能运用，须要高度可用的“操作系统”作为底层算力、算法与行业运用的协同枢纽——因此，无论是本日还是未来，飞桨的计策代价都与中国的发展期待紧密相连。

深度学习平台里有什么？

在2012年，百度将深度学习技能运用于语音识别、OCR等领域，由于运用了AI技能，百度“在语音识别准确率方面，2012年一年的提升就比过去15年提升的总和还要多，也成为语音产品厚积薄发的最好机会。
同样，图像识别技能运用于全网搜索往后，以图搜图的准确率一下子从20%提升到80%”，这两个数字让百度大为振奋。

深度学习的框架说繁芜也繁芜，说大略也大略，用一张图就可以看明白，但弄懂就须要做些阐明。

大略的说，统统深度学习框架的共性，都是降落了开拓的门槛，不须要开拓者从繁芜的神经网络开始编代码，可以根据须要选择模型库已有的模型，再通过演习得到模型参数，当然，开拓者也可以在已有模型的根本上增加自己的优化。

平台最底层是被称为“核心框架”的三大件，分别是开拓、演习和推理支配，所有的深度学习模型也都包含这三块。

开拓最随意马虎理解，实在便是编程。
但是又不这么大略，这里涉及两个小观点——动态图和静态图。

不论是动态图还是静态图，它们都属于打算图，实质都是在描述运算流程，过于技能化的差别在这里就不展开了，但可以记住一点，飞桨对付两种模式都支持，还支持一键互转，这对付开拓者来说很友好。

开拓完成的模型只是一个“半成品”，须要在数据上进行学习，这个过程就叫“演习”，这既是对开拓结果的考验，也是机器开始产生“智能”的过程，由于演习的过程，既要关注如何搜索和求解模型参数，又要创造演习数据中的规律，再反向优化模型。

就彷佛一个设计师设计好了一套衣服，先手工缝纫，打出一些样品，然后找些身形不同的模特来试穿，找到一些共性的问题，然后不断改动样板，使之越来越“合身”。

这个过程是充满寻衅的，由于伴随着大量的参数调度，而“调参”被认为是能要开拓者半条命的难事儿。

但节制了调参，更难的等在后面，那便是“模型支配”。

还是延续上面的例子，衣服“打样”是手工的，紧张是考虑是否合身、都雅，但假如上了生产线，那便是另一个问题——这个模型到底适不适宜大规模支配呢？

比如你给衣服设计了铜纽扣，但这个纽扣要安装到服装上特殊耗时，还随意马虎脱落，那么它可能就不适宜制衣厂的大规模流水线生产，须要临时修正设计，改成塑料扣子。

人工智能模型也是，演习时你利用的是一套专有的硬件环境，但支配时可能是完备不一样的另一套，那这里就有一个问题——如何快速的、精确的把你辛辛劳苦演习得到的模型，支配到实际运用环境中去。

我们在谈到飞桨的时候，有一个词实在很随意马虎被忽略，那便是“家当级”深度学习平台。

深度学习框架本身并不难，一个大学的实验室就可以搞出来一个，但对付真正的家当级支配来说，哀求的条件每每非常繁多而且苛刻，比如要适应不同的硬件组合，以是真正的家当级，都有一个硬标准——源于家当实践。

换句话说，只有你参与过千行百业的AI模型支配的实践，见过无数种千奇百怪的硬件组合，末了把和各种情形都能搭配的方案搜集起来，产生一种类似于USB插口“即插即用”的特色，使得让模型上线事情事半功倍，才能叫“家当级”。

飞桨在支配方面，就充分考虑到了这个问题。
比如，如果你的模型用于本地的做事器支配，那么Paddle Inference作为飞桨深度学习框架原生的高性能推理库，就可以做到即训即用。

有时候，模型并不支配在本地，而是在云端，飞桨就供应了Paddle Serving支配方案，许可把推理模块放在云做事器上，客户端发出要求，做事端返回推理结果。

点击添加图片描述（最多60个字） 编辑

还有的情形下，模型是支配在有一定打算能力的硬件如智好手机、智能摄像头上，那飞桨就供应Paddle Lite支配方案，知足高性能、轻量化的支配需求。

前面我们说到了支配，实在这个问题很繁芜。
如果你用过早期的电脑，你会创造一个问题——每装一个硬件，就要重新装一遍驱动程序。
末了，微软的Windows办理了这个问题……怎么办理的呢，实在是用最笨的办法，把市情上所有的主流硬件的驱动程序都搜集起来，装在一个库里，这样你往电脑里添加任何主流硬件，都可以自动安装驱动程序了。

AI模型的开拓也有这个问题，由于环绕着供应AI算力这个问题，有各种各样的办理方案，有用CPU的、有GPU的、用专用AI加速芯片的、用手机上集成的超小型AI加速模块的……而一个足够专业的学习框架，便是要重复前面说到的微软干过的事情，把每种主流硬件都找来，一款款的适配，终极可以使得硬件可以高效运行框架上的“算子”。

所谓算子（operator）, 大略说来便是进行某种“操作“，比如做一次加法；与之对应的，便是被操作的工具，称之为操作数（operand），两者的结合便是“算法”，算法则是“模型”的核心。

按照最新数据，到2020年，飞桨共携手20多家硬件厂商，适配芯片与IP型号29款。
这个数字听起来不高，但是要考虑到每种硬件都要与根本模型库里的数百个模型适配，实在是极大的事情量。

为什么这么说呢？由于适配不是只有一块CPU或GPU就可以，它须要芯片厂商供应专业的团队和工具，而这些团队和工具总是优先供应给开拓者多的框架的。
以是，飞桨近年来适配硬件的直线上升，是这个框架越来越主流的一种外在表现。

值得一提的还有，在2020年里主动提出要和飞桨适配的，有不少来自国产芯片企业，缘故原由也很大略，他们很担心被迫与某些国际主流的框架脱钩……而在这一刻，飞桨“自主可控”的深层次代价，显露无疑。

总之，开拓、演习和支配，飞桨都一以贯之一个宗旨——从做事于实践出发，只管即便的适宜家当级开拓者真正的实战级开拓，有效、有用。

藏满尖端武器的弹药库

深度学习框架存在的终极意义是什么呢？实在便是降落开拓的门槛，而要降落这个门槛，有两个办法——第一个是供应各种成熟的模型，让你拿来改改就能用；另一个—-咱们稍后再说。

以是，对付绝大多数不须要关注框架底层的开拓者来说，最关心的实在不是我们上面说到的那些，而是关心一个深度学习框架究竟供应多少种模型。

而且，在底层框架上，飞桨供应了根本模型库、端到端开拓套件、工具组件以及飞桨企业版AI开拓双平台，它们都是环绕开拓而供应的“利器”，而且一个比一个详细和聚焦。

这里面的相互关系是怎么样的呢？

根本模型库供应的是最根本的模型，比如面对某个大领域，如NLP（自然措辞处理），CV（图像识别），这里面供应的便是最根本、最必要的模型。
打个比方说，如果你要开个火锅店，首先你要先去“根本模型库”，选择一个基本模型，这个模型就叫《川菜大全》。

根本模型库上，是飞桨针对AI的某些热门运用门类，在根本模型库之上，更详细、指向性更强的某类模型和开拓工具。
如果你须要进阶的、更专门的模型，就可以去端到端开拓套件里去找，比如，这里面可能可以找到《川菜火锅配料大全》。

而工具组件针对是某些开放式的领域，开拓者须要的不是固定的模型，而是某些研发的工具集的组合。
这时候，要开火锅店的你，就可以去“工具组件”里转一转，看能不能找到《火锅店经营技巧》、《海底捞做事十四条》之类的参考书。

当然，这个比喻又不免不太严密，但这里可以讲一个数据，根本模型库里有多少模型呢？真的不多，大概是270多种。

是的，飞桨官方支持超过270个的主流算法模型，涵盖打算机视觉、自然措辞处理、语音、推举等多个领域，并且在动态图的演习效率和支配效率方面都有所提升。

大概你会说，太少了吧，不是某某平台都说自己有几十万个模型么？

这里面须要把稳的是，飞桨提出的是“根本模型”，也便是最底层、覆盖某一细分领域的“总纲”，而且这些模型都是经由家当实践长期打磨、非常成熟、通用性非常强的；而有些平台说的十几万、几十万个模型，指的是开拓者基于这些根本模型之上累计开拓过的详细模型。

因此，如果从更广域的角度去看，2020年，飞桨带来了全平台的升级更新，已凝聚265万开拓者，基于飞桨平台创建了超过34万个模型；做事企业超10万家，覆盖金融、交通、物流等数十个行业。

中国AI人才之困

发达发展的AI家当到底有多少人才缺口，切实其实是个玄学问题。

由于笔者拿到的各种统计数据口径过于不一致，以是无法给出一个精确数字。
但总体来说，在顶级AI人才上，如果美国的单位是“千”，那中国便是“百”；在高等AI人才上，如果美国的单位是“万”，那中国便是“数千”；而在大量基层的AI人才缺口上，中国至少短缺500万人。

不足为奇，4月19日，在博鳌亚洲论坛2021年年会分论坛上，百度CTO王海峰也分享了一个主要不雅观点：“当古人工智能已经开始影响各行各业，我们不可能哀求每个行业都有足够多的精通深度学习底层算法的专家，比如飞桨深度学习平台目前已经有260多万名开拓者，这些开拓者不须要每个人都从第一行人工智能的算法代码开始写起，而是直接调用这些框架”。

“运用门槛大幅降落，也会推进人工智能更快地运用，更快地推进家当智能化。
”王海峰说。

末了，王海峰还提到，随着人工智能用的越来越广，一方面须要降落门槛，让大家用得更方便，另一方面，百度也制订了AI人才的培养操持，将在5年之内培养500万人利用AI，这个数字与官媒的宣布大体同等。

显然，中国AI领域面临的人才缺口，不是一时一地可以办理的，但是，办理方法也是多种多样的。

第一是院校培养。

中国科学院大学在我国高校中率先成立人工智能技能学院，随后，2018年，教诲部印发了《高档学校人工智能创新行动操持》，上海交大、南京大学、清华大学、哈尔滨工业大学、南京航空航天算夜学、南京理工大学、南京邮电大学等相继成立人工智能研究院或学院。

点击添加图片描述（最多60个字） 编辑

第二是师资培训。

4月24日，来自全国百余所高校的近百名西席齐聚百度，以学生的身份参加2021年首期也是总第十四期全国高校深度学习师资培训班，开启为期四天的 AI 学习旅程。

全国高校深度学习师资培训班由教诲部和工业和信息化部辅导，百度与海内各大高校联合发起，迄今已培训近2000位西席，共计覆盖500余所高校。

第三是人才实训。

如百度培植了AI Studio学习与实训社区，面向教诲和学习场景、集开放数据、开源算法、免费算力于一体，为开拓者供应高效易用的学习开拓环境、丰富的体系化课程、海量开源实践项目、以及高代价的AI竞赛。
目前， AI Studio平台上已累计了70万多开拓者、80多万的样例工程和数据集、5000多佳构课程内容、70余场AI竞赛，并供应海量免费GPU算力资源。

笔者曾经采访过一些参与师资培训的各大院校的人工智能系的卖力人，他们大都表示，AI Studio是他们最感兴趣的，由于其上供应的内容和工具，已经完备可以用来作为一个高校开辟人工智能本科、研究生传授教化的根本平台，而免费的算力更可以用“年夜方”来形容，他们中的很多人已经在用AI Studio构建传授教化平台。

点击添加图片描述（最多60个字） 编辑

△截图自官网·AI Studio

实在，除了师资培训，百度飞桨学院旗舰项目AICA（首席AI架构师培养操持)、飞桨快车道等还面向家当技能人群，供应专项培训，加快培养既懂AI技能又懂业务场景的复合型AI人才。

人才不足，加速培养，是范例的正向思维，但有时候在人才缺口这个问题上，我们也须要“逆向思维”。

打一个比方，早期用打算机处理图片的难度是很高的，须要调度无数的参数。
以是，人们发明了Photoshop这样的工具，把所有的绘图功能都集成在一个软件里，而且自带大量的模板，从而使得用打算机绘图变成了一个标准化、随意马虎学习的事情。

然而，Photoshop利用仍旧有一定专业门槛……以是更多的人乐意利用“美图秀秀”，后者不用你学习任何专业知识，只须要选择滤镜和照片风格，然后自动天生图片就行。

飞桨深度学习平台，实在也有Photoshop模式和美图秀秀模式可供选择。

对高阶开拓来说，Photoshop模式还是主流，由于要涉及的方方面面太多，须要有较强的可调度余地。

但是，Photoshop模式显然更针对付专业场景，而在我们的生产和生活中，实在有大量的场景，可以利用通用化的办理方案，这种情形下是否有可能由完备零算法根本的用户大略几步轻松创建AI模型呢？

飞桨从2017年推出的EasyDL零门槛AI开拓平台便是基于这样的思路。

EasyDL通过前辈的技能把AI开拓这件事情变得像利用家电一样大略，你不必理解家电的内部布局和电路事理，也能享受家电带来的便捷。

由此，飞桨上最年轻的开拓者只有6、7岁，这是属于AI时期特有的奇迹。

EasyDL虽然目标是“大略”，但为了达到“大略”，实则须要繁芜的技能支持，在“零算法根本”的条件下，无履历或仅仅受过短期培训的开拓者，可以利用图像分类、物体检测、图像分割、笔墨识别、音视频分类、语音识别自演习、表格数据预测、文本分类、情绪方向剖析等十余种模型类型完成开拓。

除了EasyDL，飞桨企业版里还有BML全功能AI开拓平台（Baidu Machine Learning，简称BML），它专为各种不同习气的开拓者匹配了多种模型开拓办法与开拓环境，开拓者可以选择尽可能屏蔽不必要的繁芜的底层API，也能够依赖自己的代码能力打造AI模型，同时，在支配问题上最大化减轻开拓者的压力。

在文章的末了部分，笔者附上一张飞桨的全景图。

点击添加图片描述（最多60个字） 编辑

实在，您可不要认为所有的深度学习框架都是如此，可以说，除了底层架构外，丰富的模型库、端到端开拓套件、工具组件和EasyDL、BML等开拓平台，都是飞桨的特色。

总体上说，飞桨起步的确不是最早的，但正由于如此，也少走了一些弯路；而飞桨最大的差异之处，就在于结合中国的国情，结合中国须要大量、快速开拓海量AI模型而人才缺口很大的现实痛点，尽可能的在供应工具、降落门槛高下了很多的功夫，而这是其余的深度学习框架与之有一定差距乃至是极大差距的缘故原由，也是飞桨市场份额迅速上升的根本要素。

实在，对付飞桨这个话题，笔者的兴趣由来已久，本想写一篇3000、4000字的科普小文，但没有想到拉拉杂杂已经写了近万字，还没有先容完。

实在，这的确是一个硬核科普的硬话题，我之以是乐意啃这块硬骨头，是由于我自己也从来没有找到一篇对深度学习平台做到透彻、深入、又普通易懂的文章，以是我打算自己来写一篇，就有了这篇作品。

但我创造，这篇文章只是最基本的做到理解释作甚飞桨，对付飞桨产生过程中最主要的成分——人，却先容的很少；对付飞桨遍及中惠及的人群、家当，也险些没有提及；对付飞桨对付中国在AI创新中的地位和代价，也浅尝辄止。

因此我有一个大胆的操持，在近期推出一组把以上问题都说透的系列宣布，大概包含5-6篇文章，每篇文章说一个方面，大概5000字为限。
我觉得到，如果我的文章能够让多一些的人理解飞桨，多一些的行业、运用处景中的需求者、开拓者读到这些文章，从而为中国AI家当能起到添砖加瓦的浸染的话，那就实现了我创作的初衷，正所谓——诗人报国无它物，唯有手中笔如刀。

本文来自「当下Tech」

ID：dengling40

作者：当下君