首页 > 国际新闻

国产最大AI开源框架再升级:一口气发布9大新产品,顺便送出亿元GPU算力

文章作者:来源:www.50x15.com时间:2019-11-10



奥菲坦普尔的甘明边策

量子比特报告|公共号码QbitAI

这是目前的情况,国内人工智能框架更加雄心勃勃

更多动力,更多功能更新,开发者的羊毛更丰富.此外,并不是所有的新版本都已经发布,而且获得的结果相当显着:“首先,人工智能算法为中国传统产业节省了1亿元

这是百度的人工智能开源框架桨刚刚展示的肌肉

开源2016年至今,飞翼目前拥有150万人工智能开发人员和65,000多名企业用户,在定制的培训平台上发布了169,000个模型

就像中国第一个深入学习的开源平台

而形势所迫,自我控制也成为人工智能框架和其他基础平台的发展要求之一

因此,在这款最新版本的飞桨中,没有任何地方不透露“国家队”。

在采访中,百度透露飞桨不仅是一个完全自主知识产权的深度学习平台,而且在分布式培训的性能和可用性方面也超过了国内外竞争对手。

那么我们如何在同一场比赛中获得更多的场景和更全面的竞争优势呢?

九大新产品、上亿新羊毛和这次的进一步工业登陆值得更多关注。

九种新产品是什么?

在2019年“浪潮峰会+”深度学习开发者秋季峰会上,飞桨欢迎全面升级

百度首席技术官和国家深度学习技术与应用工程实验室主任王海峰率先分享了舞台上的最新想法。他说:

深入学习正在将人工智能推向工业化大生产阶段。它具有很强的通用性,具有标准化、自动化和模块化的基本特征。它正在把人工智能技术从实验室推向工业,并在越来越大的规模上使用。

深度学习技术和平台也在不断发展,并将在未来继续发挥重要作用。 我们坚持开源和开放的理念,开放飞桨平台,与所有开发商合作,促进科技发展、产业创新和社会进步。

这次发布了9个新产品:一个模型、一个终端推理引擎、四个产品开发工具包和三个工具组件。

细节如下:

首先,模式指的是桨式主机模式

百度人工智能技术平台系统执行董事、国家工程深度学习技术与应用实验室副主任吴添表示:

飞桨(Flying Paip)是一个开放的深度学习平台,源于工业实践,随行业进步 未来,turboprop将继续发展超大规模分布式计算和异构计算能力,定位在所有硬件平台的支持上,将端到端云和edge相结合,为应用场景提供面向场景的端到端套件,构建数据和知识的预培训与迁移学习相结合的主开发模式,为开发者提供最强大的生产平台和基础设施,加速工业智能。

核心是依靠百度强大的计算能力来提高开发人员在部署模型时的移动性

具体来说,开发人员可以通过使用少量的注释数据和飞板的迁移学习工具,将自己的算法模型快速部署到自己的应用场景中。

的直接影响是在开发工业场景平台时减少工作量,提高模型的准确性和可靠性。

其次,端侧推理机指的是桨叶精简版2.0

这个轻量级深度学习推理框架于今年8月正式发布

此升级注重易用性,并提供了一个完整的工具链来预测部署。调用Resnet50只需要7行代码,它也支持极其轻量级的部署。

硬件支持也更加广泛。移动终端支持8种主流硬件,增加华为NPU和FPGA对边缘设备的支持,支持寒武纪和比特大陆等国产硬件也在进行中。 它也更有利于架构设计中的硬件扩展。

最后是表演。百度深度学习技术平台部主任马严俊当场发布了与其他主流框架的性能对比图,基本上处于“暂停”状态:

△Plaak Lite 2.0推理延迟远低于其他推理框架。

第三和第四个面向端到端场景的开发工具包也是飞桨系统中全新的模块

涵盖语义理解、图像分割、目标检测和个性化推荐

包含ERNIE 2.0,这是一个基于持续学习的语义理解预培训框架,它声称在16个中文和英文任务中超过基准产品。

核心亮点是新构建的预训练任务类型可以无缝地加入训练框架,并不断学习语义理解。

PaddleSeg,一个工业图像分割库,提供18种预训练模型,涵盖Deeplabv3+、U-Net和Icnet三种主流分割模型

通过统一配置,帮助用户完成从培训到部署的图像分割应用全过程

和目标检测库PaddleDetection,它集成了60+预训练模型 目的是为工业界和学术界提供一个易于使用的目标检测模型。

在这个库中,飞桨还提供了许多小型目标检测模型,便于移动设备使用。

此外,新添加的套件是弹性CTR,用于个性化推荐。这个工具包源于百度的工业实践。

可实现分布式培训CTR评估任务和服务流程的一键部署,提供端到端CTR培训和二次开发解决方案

最后,三个主要版本都集中在深度学习前沿的工具组件上:

PALM,一个多任务学习框架

模型主干(BERT、ERNIE等)。),常见的任务范例(分类、匹配、序列标签、机器阅读理解等。)并且数据集读取和处理工具内置于其中

该功能的亮点是易于使用。对于典型的任务场景,几乎无需编写代码就可以添加新任务。

对于特殊的任务场景,用户可以通过实现预设界面来支持新任务

PGL,图形神经网络框架

提供了一系列用于存储/读取/查询图形数据结构的Python接口,并且提供了基于基于行走和消息传递两种计算范例的计算接口。

通过使用这些接口,可以建立最先进的图形学习算法。结合飞桨核心框架,基本上可以覆盖大部分图形网络应用,包括图形表示学习和图形神经网络。

PGL现在有13个图形学习模型,涵盖图形神经网络和图形表示学习的主流模型

PaddleFL,联邦学习框架

它的能力在于复制和比较不同的联邦学习算法

在PaddleFL中,还提供了许多联合学习策略及其在计算机视觉、自然语言处理、推荐算法等领域的应用。在大规模分布式集群中部署联合学习系统也更容易。

此外,随着1.6版的发布,飞桨有12个重要的产品升级。 例如:

提供了更多的操作员库、简单高效的应用编程接口和完善的文档内容,以全面提高可用性

升级轻量级模型结构,自动搜索PaddleSlim,增加基于硬件的搜索能力,完成整个训练、压缩和部署过程

NLP、CV、推荐系统、语音和其他主要基本模型基础模型,从最初的60+到100+ 有许多算法赢得了人工智能竞赛,比如在电子多媒体网络语言程序中赢得10个阅读理解冠军的网络。

桨毂增加了超参数优化自动微调功能,预训练模型数量大幅增加,支持桨主模式。

支持进化算法的深度强化学习框架PARL并行能力升级

Paddle2ONNX和X2Paddle升级,使飞刀模型和其他框架更容易相互旋转。

聚焦于工业领域,数亿新羊毛正等待被收集。

那么新版本的竞争力够强吗?

作为一个深入的学习框架,自PyTorch和TensorFlow开放以来,人们经常将飞桨与它们相提并论。

但是到目前为止,飞桨的官员们认为他们不能再简单地把它看作人工智能的框架。

他们更愿意将自己定位为:深度学习开源平台

基于百度多年的深入学习技术研究和业务应用,整合了深入学习核心框架、基本模型库、端到端开发套件、工具组件和服务平台

在接受量子位采访时,吴添解释了这一定位背后的考虑:“不同的人工智能框架有自己的开发计划,这是飞桨选择的开发路线。” “

现在,当百度宣布四项领先的飞桨技术时,框架只是其中之一

现在谈论人工智能的发展和着陆似乎太空洞了

因此,在大会的主旨发言中,飞桨也聚焦于分享迄今为止的发展重点和动力点:工业

由于庞大的行业和转型的需要,人工智能的成本削减和协同效应太明显了。

会议前夕,百度还发布了一个特别视频,名为“看中国的算法工程师如何手动节省1亿元”

其中,人工智能算法帮助传统行业在农业、工业制造、质量检测和电力应急维修等方面降低成本、提高效率。

先存1亿,这是飞桨已经完成的小目标。

然而,随着人工智能的发展,工业场景已经成为所有主要人工智能平台服务提供商的必备条件。如何面对日益激烈的竞争?

飞桨揭示的风格是:放牧绵羊毛,建设生态,与开发商和传统产业一起赢得胜利

把握开发商的培训和教育

例如,百度响应教育部关于产学研合作的号召,在全国范围内开展了深入的教师培训课程,有效填补了国内高校人工智能教师的空白。

在一年半的时间里,飞桨已经成功举办了八次培训班,培训了1000多名人工智能专业大学教师。从教育阶段开始,计算机专业的学生将会接触到飞桨,并在未来分散到行业各处开花结果。

行业中也有“黄埔学院”。学术界和大学建立了联合实验室。飞桨与Xi交通大学、中国科技大学、南方大学、浙江大学和大连理工大学合作,共同培养人才。

福利的另一只手

在今天的会议结束时,飞桨还发布了最新的生态激励计划:

10多个人工智能课程是免费的;

支持100多所重点大学的教学和培训;

为1000多家企业转型提供援助计划;

有数百万人工智能竞赛奖项和数十亿图形处理器计算资源需要支持

然而,这两种策略有多有效,它们是否够难,还需要时间和实践来检验。

当然,它必须经过激烈的竞争测试 今天,机器学习的框架争议已经退化为TensorFlow和PyTorch之间的全球竞争。要从两者中获得一份行动,光有行业的支持是不够的。

但是在中国,飞桨现在被视为拥有心灵和愿望

在活动现场,一个这样的信息特别引人注目,也许是2019年潮流方向的一个小脚注:

我们仍然必须支持国内的深度学习框架,以免外国框架垄断并最终导致计算机操作系统和芯片。

因此,好的风依赖于力量,飞桨需要加油。

毕竟,天气和地方都是对的,最重要的人都有。只有取得更好的结果,我们才能实现更大的抱负。

你怎么说?

本文从微信公众号:qubit开始 文章内容属于作者个人观点,不代表贺勋的立场。 投资者应根据这一原则自行承担风险。

(责任编辑:王志强HF013)

神奇拉伸美腿动作