当前位置：首页 > news >正文

百度官方文档Plus版，PaddlePaddle深度学习框架介绍

news 来源：原创 2024/5/16 22:36:39

作者：木羊同学

来源：华章计算机(hzbook_jsj）

现在深度学习框架不但内卷严重，而且头部效应明显。一提起深度学习框架，首先想到的肯定是Google家的TensorFlow，和Facebook家的PyTorch。究竟排名谁先谁后，还要看你是工业界还是学术界。不过，深度学习框架远不止这两家，只不过，有一些前浪已经镶在墙上，而有一些后浪，同样出自名门，但还在为一个奔涌的机会而不断努力，今天的主角飞桨PaddlePaddle（以下简称“飞桨”）就是其中之一。

为什么要使用深度学习框架

飞桨是度娘家推出的深度学习框架，在介绍飞桨之前，我们先来聊聊为什么实现深度学习模型，业界通常都会选择使用现成的深度学习框架。

在深度学习刚刚兴起来的时候，大家对深度学习的热情很高，学习的方法也是五花八门，其中有一种特别提倡动手能力，大概是叫“从零开始实现深度学习模型”。这些方法说起来也不复杂，就是使用大家都很熟悉的Python科学运算库Numpy来实现深度学习所需要的各种部件，譬如说后向传播机制。

说实话，我发现我们这种直男式的程序员，好像天生就有一种怀疑精神，非常不信任第三方代码，非常不情愿使用第三方代码，只要调用了第三方的代码，一旦出了问题，就会产生一种“总有刁民要害朕”的气愤。所以，这种“从零开始实现XXX”的教学一直很受欢迎，大家就像鲁迅先生那篇《孔乙己》里面买黄酒的客人一样，非要看着代码一字字的被敲出来才放心。

但是，在深度学习这里，自己敲的代码用来学习还可以，用在生产环境上可能就有点力不从心了。首先就是质量，深度学习大量使用微分运算，譬如所有模型都必须使用的误差后向传播，这种机制实现代码比较复杂，而且出了问题不容易发现，用在生产环境中很可能会会埋了雷。

其次是效率。深度学习是2012年前后热起来的，也就10年不到的时间，但是，这门技术并非只有10年，历史非常悠久。我们知道，深度学习的前身是名叫“神经网络”的机器学习模型，神经网络的身世相当坎坷，两次攀到巅峰然后跌落低谷，每次都要被雪藏个好几十年，人称“神经网络的寒冬”，上一次还是在上个世纪90年代，被另一款机器学习模型支持向量机打得鼻青脸肿。

那神经网络这几年是因为什么才能王者归来，连名字都换成了霸气侧漏的“深度学习”呢？就是因为硬件能力的提升。现在硬件白菜价了，连跳广场舞的大妈都知道了，只要多买GPU，算力就能蹭蹭蹭地往上冒。当然，如果只是硬件便宜了，改变不了什么。你想想，算力提高是大家一起提高，凭什么就得让你深度学习一家独大呢？不好意思，深度学习模型还真有个和在座各位“不太一样”的地方，这就是模型性能和算力能够呈正相关，简单来说，就是只要算力保持“蹭蹭蹭”，模型性能也能跟着“蹭蹭蹭”。

所以，深度学习模型放在GPU上跑已经成了常规操作，但这就涉及了GPU编程，主要是CUDA，这就又要额外学习相关知识。而且，编写来的代码能用是一回事，把性能优化到极致又是另一回事，优化自身就是一个大坑。

最后是便捷。相信看完上面两个原因，大家的“懒癌”也差不多要发作了，徒手搭建一款完整能用于生产环境的深度学习模型，代价实在是太高了，可谓是费事费力难度大。就算你历尽千辛万苦，真的搭建好一个模型，麻烦又来了——深度学习模型长在处于爆发期，推陈出新特别快，更新又该怎办呢？现在业界常见的做法是构建计算图（Computation Graph），通过计算图能够比较精确地描述深度学习模型所需的各种操作，但是实现起来相当麻烦。

常见深度学习框架介绍

怎么办呢？简单，直接用成熟的深度学习框架就好了，不但代码质量有保证，不会因为手残导致奇奇怪怪的错误，而且性能（包括GPU运行和分布并行等的性能）可靠。更重要的是，你使用成熟的深度学习框架，你的精力主要是放在模型搭建上，注意力能够更为集中，而不用耗费在底层编码上面。

目前市面常见的深度学习框架一共有5款，都是由国内外知名互联网公司推出，Google的TensorFlow、Facebook的PyTorch、亚马逊的MXNet、微软的CNTK，以及百度的PaddlePaddle。前面的两款，TensorFlow和PyTorch，是现在深度学习行业的扛把子，就份额来看，目前还是出得最早、工程能力最强的TensorFlow占有优势，不过，从口碑来看的话，一般认为PyTorch从文档到到API设计都要更优雅一些，所以，一般有工业界偏好TensorFlow，而学术界偏好PyTorch的说法。

接下来说说后浪MXNet和CNTK。MXNet给我感觉是款走网红路线的深度学习框架，为什么这么说呢？略有了解的人应该都有这种感觉，别看前面TensorFlow和PyTorch名气很大，一般人想得出来一两个开发者的名字吗？不能，但是一提到MXNet，首先想到的可能不是这款框架能干什么，而是框架的开发者李沐博士。李沐博士水平很高，自带大神光环，不过有意思的是，李沐博士写了一本深度学习的书，教学代码当然用的是自家的MXNet来写，大神写的书肯定很多人找来看，然后Github上就有人放出了Pytorch实现的版本，结果一下成了高星项目。

当然，MXNet也确实很优秀也很努力，只是IT行业很多就是这样，一旦市场被人占了先机，后来者就很难再挤出一席之地。深度学习框架也一样，MXNet知道市场的基本盘已经被TensorFlow和PyTorch分完了，正在尝试另辟蹊径，走模型封装的道路。

至于CNTK，我总感觉巨人微软自从网络时代慢了一步之后，真有点一步慢、步步慢的感觉，我个人是很推崇微软的工程能力的，但是微软推出来的几个蹭热度产品，还真的只是蹭热度，蹭蹭就没有然后了。这次在深度学习时代推出来的CNTK好像也延续了这一风格，发布前后热度挺高，不过据说微软内部对CNTK的态度也是“十动然拒”，给我留下的唯一印象就是支持C#，还有就是可以作为Keras的后端，这几年就再没听过CNTK的消息。写这篇文章的时候我还专门查了一下，CNTK应该还没停更，不过最新的一次发布已经是2019年了。

当然了，深度学习框架远不止这些，譬如知名度很高的还有Theano、Caffe、Torch等等，不过这些基本属于前深度学习时代的深度学习框架，要么是个人要么是小团体开发，有着手撸代码的种种不足，过去主要是研究人员使用，现在已经逐渐退出了历史舞台。

百度深度学习框架飞桨PaddlePaddle介绍

度娘家出的飞桨PaddlePaddle是首款国产深度学习通用型框架，既然是通用性框架，可以对于张量(Tensor)进行各种操作是最起码的要求，而作为深度学习框架，搭建神经网络所需的卷积、池化等各类单元层、各类激活函数、损失函数等等基本套件，PaddlePaddle也肯定都得有，至于神经网络离不了的后续传播机制已经成了业界标配，PaddlePaddle也必须得支持。总之一句话，如果你了解其它深度学习框架，你就会发现PaddlePaddle在使用层面也是大同小异。

不过，PaddlePaddle想要和TensorFlow、PyTorch相提并论，就一定会面临前面MXNet一样的困境：既然各家功能差不多，写法也区别不大，那为什么我要选择PaddlePaddle，而不直接用霸榜的那两款呢？

我想这个问题同样也深深困扰着PaddlePaddle团队，所以，他们选择做了两样事情。第一样是主打“国产”。现在技术都很强调国产，特别是未来准备大力发展的关键技术，不怕一万就怕万一。当然了，这只是其一，其二是据百度技术学院参与编写的《飞桨PaddlePaddle深度学习实战》介绍，PaddlePaddle对国产的硬件支持良好，超过了TensorFlow和PyTorch。

主打国产是一条新路子，当然，这还远远不够，所以PaddlePaddle同时还选择了做另一件事，这就是前面介绍MXNet也说过的，主打预训练模型。

什么意思呢？深度学习模型现在性能越来越强大，这当然是好事，但是有人喜有人忧。

前面我们说，深度学习框架可以很方便搭建模型，但是，现在深度学习模型性能越来越强大，同时也意味着模型越来越复杂，哪怕是用了深度学习框架，要准确、快速地完成一款模型的搭建也绝非易事。对于一般的用户，最常见的选择就是等大神搭完了丢出来再用，这就比较看运气了。PaddlePaddle就是看到了这点，官方团队就实现了一些经典的和先进的模型，而且已经训练好了参数，你想使用，只是拿出来就可以用了，非常方便。

譬如说目标检测模型YOLOv3，对于一般人来说，光是看懂原理就不太容易了，但是使用了PaddlePaddle以后，事情就要简单很多。PaddlePaddle有一个组件，叫PaddleHub，是飞桨生态下的预训练模型管理工具。通过PaddleHub获取模型非常简单，只要先找到模型的名称，然后安装模型就可以使用了。在PaddleHub中，采用COCO2017数据集训练的YOLOv3模型称为yolov3_coco2017，想要安装这款模型，只需要执行一条命令：

hub install yolov3_coco2017

模型安装完成之后，无需额外操作即可以直接使用，譬如说进行图片预测。对于想要快速了解模型性能，特别是想通过新模型提升产品性能的同学，这套工具还是非常方便的。

想要进一步了解PaddlePaddle以及周边工具使用的同学，推荐阅读《飞桨PaddlePaddle深度学习实战》，这本书是由百度团队和高校专家共同撰写，既有很强的官方背景，又有很高的学术水平。在内容方面，本书是以深度学习的知识点为主线讲述，可以作为深度学习的教材，而在代码实现时则同时给出了两套方案，一套是通过Numpy的手工实现，一套则是通过PaddlePaddle实现，内容一样，所以对比性很强，更容易理解，而且更为系统。我感觉这本书比PaddlePaddle官方入门文档的编排更为合理，阅读体验更为顺畅，而且既然也是百度官方出品，完全可以视作官方入门文档的Plus版来阅读。

作者简介：

莫凡，娱乐向机器学习解说选手，《机器学习算法的数学解析与Python实现》作者，前沿技术发展观潮者，擅长高冷技术的“白菜化”解说，微信公众号“睡前机器学习”，个人知乎号“木羊”。