认识达内从这里开始

认真做教育专心促就业

自主学习平台的优点和缺点对比分析

发布：太原达内教育官网
来源：infoq
时间：2018-01-18 09:15

一个优秀的软件开发工程师，除了需要拥有大量的实战经验以外，剩余的就是丰富的理论知识了，而这些知识在众多开放式的平台中都是可以学习到的，在此我们就给大家简单介绍一下百度研发推出的学习平台都有哪些优缺点。

PaddlePaddle是百度自主研发的深度学习平台，是大规模并行分布式深度学习框架，易学易用、高效灵活，支持海量图像识别分类、机器翻译和自动驾驶等多个领域的业务需求，现已全面开源。

自主学习平台的优点和缺点对比分析

PadddlePaddle最早自2013年就开始投入百度多项业务的应用，在百度内部发展3年左右的时间，于2016年9月正式开源，然后PaddlePaddle经历了一个高速迭代优化的过程，最新版本是于2017年11月发布的PaddlePaddle Fluid，这个版本的发布，赋予了PaddlePaddle更为强大的功能和优势。

可伸缩性：paddle官方支持多种集群框架，MPI，kubernetes，支持GPU集群资源的动态分配;

高效性：如在RNN算法上，PaddlePaddle可以在占用更小显存资源的前提下，实现比主流DL框架快1~2倍;

灵活性：PaddlePaddle可以从单机训练迅速拓展至大规模集群训练，因为对于PaddlePaddle来说，单机代码和多机多卡代码完全一致;

Fluid：让深度学习的开发过程更接近高级语言，暴露更多训练过程的信息，极大帮助训练过程优化;

EDL：即弹性深度学习，可以根据现有计算资源，调整分布式任务的数目，保证那些计算资源缺失风险的任务能够被执行;

Cloud：开发者无需考虑编写执行分布式程序，直接提交任务即可拓展到多台服务器的多个GPU上运行，极大扩展计算资源的使用;

在对外开放的层面上，仅仅开放PaddlePaddle深度学习框架，是无法有效帮助广大开发者训练模型的。百度在4大要素上进行全面开放，方便开发者搭建人工智能技术研发闭环。

大数据：依托国家工程实验室，百度会与更多第三方共同建设开放的数据集，为更多的开发者和企业解决数据源问题;

计算能力：在国家工程实验室的工程平台上，我们为符合条件的企业和开发者提供免费的计算资源;

算法&模型：PaddlePaddle即为这个层次，如前所述，已在github上全面开源;

场景：Paddle正在和很多AI技术供应商以及企业合作，将通过paddle实现的应用场景开放出来，让大家知道深度学习可以在哪些场景上能够发挥价值，以及如何使用Paddle来实现这样的应用;

PaddlePaddle在github上也已经获得了6K+ star，1.6k+ fork，更多的开发者会利用PaddlePaddle深度学习框架及数据、计算资源等开放能力，实现了自己的AI应用场景落地。