2016 年，百度 PaddlePaddle 打响了国产深度学习框架开源的 一枪。

　　2019 年 4 月，在 Wave Summit 深度学习开发者峰会上，首次发布了PaddlePaddle 的中文名“飞桨”，开始强调自己更适合中国开发者，以及更加专注于深度学习模型的产业实践。与此同时，飞桨的发展开始提速。

　　时间来到 2020 年，这一年是国产深度学习框架的高光时刻，作为国产领头羊的飞桨动作频频，不断更新升级。

　　2021 年 3 月，百度正式推出飞桨框架 2.0 正式版，实现了一次跨时代的升级。如今，在 GitHub 上，飞桨已收获Star数量达到了14.6k，被越来越多的开发者所使用。

　　从开发、训练到部署：飞桨框架 2.0 从“更新升级”到“全面换代”

　　飞桨作为我国首个开源开放的深度学习平台，想要保持自己的地位，必须要有自己独特的优势。经过多年的更新迭代，飞桨已经集开发便捷的核心框架、超大规模深度学习模型训练、多端多平台部署的高性能推理引擎和覆盖多领域的产业级模型库四大核心技术于一体，始终保持技术领先与功能完备。如今飞桨已凝聚 265 万开发者，服务 10万多家企业，创建了超过 34 万个模型，帮助越来越多的行业完成AI赋能，实现产业智能化升级。

　　与之前的版本迭代相比，此次 2.0 版本的发布对于飞桨来说，不仅仅是一次常规升级，而是一次“基础设施”的全面更新换代!这一次，百度从产业实践的全流程出发，对 深度学习模型的开发、训练、部署进行了整体优化，进一步加速 AI 应用的大规模落地。

　　一、更高效地开发 AI 模型

　　1、成熟完备的动态图模式

　　由于命令式编程模式(动态图)对开发者的友好性，飞桨于 2019 年初也在推进动态图功能。此次升级，飞桨将默认的开发模式升级为动态图，这标志着飞桨的动态图功能已经成熟完备。据了解，飞桨 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别的模型算法开发。动态图模式下，开发者可以随时查看变量的输入、输出，方便快捷的调试程序，带来更好的开发体验。

　　为了解决动态图的部署问题，飞桨提供了全面完备的动转静支持，在 Python 语法支持覆盖度上达到领先水平。开发者在动态图编程调试的过程中，仅需添加一个装饰器，即可无缝平滑地自动实现静态图训练或模型保存。同时飞桨框架 2.0 还做到了模型存储和加载的接口统一，保证动转静之后保存的模型文件能够被纯动态图加载和使用。

　　在飞桨框架 2.0 版本上，官方支持的动态图算法数量达到了 270+，涵盖计算机视觉、自然语言处理、语音、推荐等多个领域，并且在动态图的训练效率和部署效率方面都有所提升。2.0版本的动态图支持了自动混合精度和量化训练功能，实现了比静态图更简洁灵活的混合精度训练接口，达到媲美静态图的混合精度和量化训练效果。

　　同时，为了推进各个主流场景的产业级应用，飞桨的系列开发套件也随飞桨框架 2.0 完成了升级，全面支持动态图开发模式。

　　2、API体系全新升级

　　API 是用户使用深度学习框架的直接入口，对开发者使用体验起着至关重要的作用。飞桨框架 2.0 对 API 体系进行了全新升级，包括体系化的梳理以及简洁化的处理，而且飞桨框架 2.0的 新API 体系完全兼容历史版本，同时飞桨提供了升级工具，帮助开发者降低升级迁移成本。

　　体系化：飞桨重新梳理和优化了 API 的体系结构，使其更加清晰、科学，让广大开发者可以更容易地根据开发使用场景找到想要的 API。此外可以通过 class 和 functional 两种形式的 API 来模块化的组织代码和搭建网络，提高开发效率。同时，API 的丰富度有了极大的提升，共计新增 API 217 个，优化修改 API 195 个。

　　简洁化：提供更适合低代码编程的高层 API。像数据增强、建立数据流水线、循环批量训练等可以标准化的工作流程，以及一些经典的网络模型结构，在飞桨框架2.0中，都被封装成了高层 API。基于飞桨高层 API，开发者只需10行左右代码就可以编写完成训练部分的程序。 为重要的是，高层 API 与基础 API 采用一体化设计，即在编程过程中可以同时使用高层 API 与基础 API，让用户在简捷开发与精细化调优之间自由定制。

　　二、更高效地训练AI模型

　　1、训练更大规模的模型