如何評估剛剛開源的 Paddle 平台

1）Caffe可以說是第一款工業級深度學習工具，由加州大學伯克利分校的賈揚青於2013年底作為具有優秀CNN實現能力的開發語言開始，Caffe至今仍是計算機視覺領域最流行的工具包。Caffe 的開發語言支援 C++ 和 CUDA，速度很快，但由於一些歷史遺留架構問題，它不夠靈活。 對遞迴網路和語言建模的支援很差。

Caffe 支援所有主要的開發系統，並且相當易於使用。

2）TensorFlow 是 Google 開源的第二代深度學習技術，是一種理想的 RNN API 實現，它使用了向量運算的符號圖方法，這使得開發速度非常快。TensorFlow 唯一支援的好系統是各種 Linux 系統和 OSX，但它對語言的支援比較全面，包括 Python、C++ 和 CUDA 等，開發者文件沒有 Caffe 那麼全面，所以很難上手。

3）作為基於Spark的異構分布式深度學習系統，Paddle採用GPU和FPGA異構計算，提公升每台機器的資料處理能力，暫時獲得了業界“相當簡潔、簡潔的設計、穩定、速度快、視訊記憶體占用小”的特點。 通過使用GPU和FPGA異構計算來提高每台機器的資料處理能力非常重要。 但是，它的表現如何，我們仍然需要等待幾天，以觀察每個人對它的看法。

右。 如：1分公尺10厘公尺1平方分公尺100平方分公尺1立方分公尺1000立方厘公尺。

1.非常高質量的 GPU**。

2.非常好的RNN設計。

3.設計很乾淨，沒有太多的抽象，這比 tensorflow 好很多。

4.高速RDMA部分似乎不是開源的（可能是因為RDMA對集群設計有一定的要求。

5.設計思路更像是第一代DL框架，但考慮到Paddle已經存在多年，這樣的設計是有歷史原因的。

config 是硬編碼的 protobuf 訊息，可能會對擴充套件性產生影響。

你可以看到很多有趣的設計，它們類似於歷史遺留問題：我們採用流預設巨集，然後通過TLS定向到非預設巨集

stream：paddle/hl_ at 4fe7d833cf0dd952bfa8af8d5d7772bbcd552c58 ·

百度槳 ·GitHub（所以 Paddle Off-The-Shelf 不支援 Mac？ ）

傳統的粗粒度前向後設計（類似於咖啡）用於規格襪子的滑移計算。 有些人可能會說，“所以槳沒有自動。

gradient

generation“，這是不正確的，autograd 的存在與否與 OP 的粒度無關。 事實上，TensorFlow 在意識到細粒度運算元的速度超慢後，正在逐漸向粗粒度運算元靠攏。 目前只看到這裡。

總之，這是乙個非常紮實的框架，Modan的開發技術還是不錯的。

Paddle本身從2013年就已經存在了，當時深實驗室意識到，在深度神經網路訓練方面，隨著計算廣告、文字、影象、語音等震顫訓練資料的快速增長，傳統的基於單GPU的訓練平台已經無法滿足需求，因此在徐偉的帶領下，實驗室構建了Paddle（Parallel Asynchronous Distributed Deep）。 learning）是乙個多機並行GPU的訓練平台。

但如今的開源 Paddle 肯定不是 3 年前的簡單模式，3 年前的 Paddle 可能還是乙個獨立的深度學習平台，無法很好地支援從其他平台訪問資料的需求。 但如今的 Paddle 已經到處被強調，它的特點是將 Spark 和 Paddle 耦合在一起，Paddle 是乙個基於 Spark 的異構分布式深度學習系統。 而在與相關商家“密切摩擦”後，又迭代了兩個版本的叢棚：

從 Spark On Paddle 架構版到 Spark On Paddle 架構版。 按照平台開源的規則，內部使用大概是非常方便的，在修復了一系列bug後，實驗室最終計畫在Paddle和異構計算平台上開源Spark。 至於我們為什麼要開源，大家都明白這個原因。