降低一切門(mén)檻：開(kāi)發(fā)框架三國(guó)殺在爭(zhēng)什么？

在我們談?wù)揂I開(kāi)發(fā)時(shí)，我們就究竟在談?wù)撌裁矗?/span>

更多的開(kāi)發(fā)者：開(kāi)發(fā)者數(shù)量顯然是一切的前提，數(shù)量廣闊的開(kāi)發(fā)者就像蒲公英的種子，會(huì)把深度學(xué)習(xí)開(kāi)發(fā)框架以及相關(guān)的軟硬件服務(wù)帶到各個(gè)企業(yè)中去，幫助巨頭們的AI布局在四處扎根生長(zhǎng)。

更活躍的開(kāi)發(fā)生態(tài)：建立在大量開(kāi)發(fā)者數(shù)量之上，用案例和經(jīng)驗(yàn)對(duì)開(kāi)發(fā)社區(qū)進(jìn)行填充，鼓勵(lì)開(kāi)源和共享，讓AI的開(kāi)發(fā)變得更加簡(jiǎn)單，從而進(jìn)入更多行業(yè)和場(chǎng)景。

更高級(jí)別的開(kāi)發(fā)項(xiàng)目：自身框架中誕生一款殺手級(jí)應(yīng)用，可能是每個(gè)巨頭都會(huì)有的理想目標(biāo)。高價(jià)值和高效用的應(yīng)用AI很可能帶來(lái)大量簇?fù)碚�，一齊涌向該框架的生態(tài)之中。

總之，如何降低門(mén)檻以一切手段吸引開(kāi)發(fā)者進(jìn)入，成為了三大開(kāi)發(fā)框架的共同目標(biāo)。

最典型的例子就是TensorFlow與PyTorch之間的競(jìng)爭(zhēng)。

在目前的開(kāi)發(fā)框架中，TensorFlow憑借著谷歌的技術(shù)優(yōu)勢(shì)一直表現(xiàn)的較為強(qiáng)勢(shì)，在開(kāi)發(fā)者越來(lái)越多時(shí)，其開(kāi)發(fā)社區(qū)生態(tài)也在進(jìn)行良性發(fā)展。

但占據(jù)了優(yōu)勢(shì)后，TensorFlow開(kāi)始隨著谷歌一同收攏自身的開(kāi)發(fā)生態(tài)。比如谷歌曾經(jīng)推出過(guò)一系列賦能開(kāi)發(fā)者的培訓(xùn)計(jì)劃，向開(kāi)發(fā)者提供課程教學(xué)。但結(jié)果是所有的教學(xué)全部都建立在TensorFlow之上，所提供的硬件API也只能接入TensorFlow，而TensorFlow的社區(qū)資源和開(kāi)發(fā)工具更新，又部署在谷歌云之上。并且TensorFlow在最近單方面和Caffe等開(kāi)發(fā)平臺(tái)“友盡”，使得開(kāi)發(fā)者們無(wú)法進(jìn)行平臺(tái)之間的遷移。

而Facebook就抓住了這一點(diǎn)。將原來(lái)的開(kāi)發(fā)工具Torch進(jìn)行升級(jí)，聯(lián)手微軟打造神經(jīng)網(wǎng)絡(luò)交換格式幫助開(kāi)發(fā)者降低遷移成本。同時(shí)PyTorch設(shè)計(jì)了更方便的數(shù)據(jù)加載API接口，使開(kāi)發(fā)過(guò)程中加載并行數(shù)據(jù)更加順暢，相比TensorFlow降低了不少API方面的學(xué)習(xí)成本。

在自定義擴(kuò)展上，PyTorch也改變了TensorFlow依靠樣板代碼才能實(shí)現(xiàn)的情況，通過(guò)為CPU/GPU編寫(xiě)接口這種更易行的方式添加自定義拓展，使得開(kāi)發(fā)過(guò)程中的自由度大大提高。

綜合來(lái)看，在開(kāi)發(fā)框架的競(jìng)爭(zhēng)中，賽點(diǎn)在于更低的學(xué)習(xí)成本和遷移成本，以及更高的易用性和社區(qū)友好度。

在這幾個(gè)方面，西方戰(zhàn)場(chǎng)之外的PaddlePaddle也以靈活、易用著稱(chēng)。

在應(yīng)用效率上，PaddlePaddle在運(yùn)行RNN算法時(shí)比其他主流框架占用更少的內(nèi)存，速度卻提升了1-2倍。

在訓(xùn)練部分的調(diào)用方式上PaddlePaddle集中了瀏覽器和客戶(hù)端等多種主流調(diào)用方式，并支持CPU、GPU、FPGA等多種硬件，從而極力降低開(kāi)發(fā)成本。同時(shí)還支持多種深度學(xué)習(xí)模型，使得開(kāi)發(fā)者可以更關(guān)注模型的高層結(jié)構(gòu)，拋開(kāi)底層編碼，使得 TensorFlow 里需要數(shù)行代碼才能實(shí)現(xiàn)的功能，在 PaddlePaddle 里可能只需要一兩行。

除此之外，PaddlePaddle還展示出了很多適用于應(yīng)用層面的功能。例如在最新的Fluid版本中讓開(kāi)發(fā)過(guò)程更接近常見(jiàn)的高級(jí)語(yǔ)言，減少深度學(xué)習(xí)中“黑箱”狀況的出現(xiàn)，讓開(kāi)發(fā)者不再用“玄學(xué)”調(diào)參，更進(jìn)一步明晰開(kāi)發(fā)和優(yōu)化中產(chǎn)生的對(duì)應(yīng)關(guān)系，使得開(kāi)發(fā)過(guò)程更有可復(fù)制性。

還包括PaddlePaddle支持彈性使用計(jì)算資源完成深度學(xué)習(xí)訓(xùn)練，根據(jù)需求變化設(shè)置資源消耗的彈性區(qū)間。對(duì)于時(shí)常面對(duì)著繁多計(jì)算任務(wù)的大型企業(yè)來(lái)說(shuō)，此舉可以幫助他們節(jié)約大量資源，讓深度學(xué)習(xí)的開(kāi)發(fā)和訓(xùn)練成本進(jìn)一步降低。

近日有新聞報(bào)道，Google發(fā)布TensorFlow.js，支持在瀏覽器上進(jìn)行機(jī)器學(xué)習(xí)的相關(guān)工作，但在降低開(kāi)發(fā)者使用瀏覽器發(fā)展機(jī)器學(xué)習(xí)的門(mén)檻方面，PaddlePaddle確實(shí)做得更早也相對(duì)成熟。同時(shí)為了讓更多開(kāi)發(fā)者和企業(yè)能夠?qū)�現(xiàn)有項(xiàng)目接入到中PaddlePaddle，PaddlePaddle做到了從基礎(chǔ)訓(xùn)練到分布架構(gòu)徹底開(kāi)源。這一點(diǎn)即使在以開(kāi)源精神著稱(chēng)的硅谷都很稀有。