飛槳(百度深度學習平台PaddlePaddle中文名)

飛槳(PaddlePaddle) 是國際領先的端到端開源深度學習平台，集深度學習訓練和預測框架、模型庫、工具組件和服務平台為一體，擁有兼顧靈活性和高性能的開發機制、工業級的模型庫、超大規模分散式訓練技術、高速推理引擎以及系統化的社區服務等五大優勢，致力於讓深度學習技術的創新與套用更簡單。

基本介紹

• 中文名：飛槳 
• 外文名：PaddlePaddle
• 產品定位：源於產業實踐的開源深度學習平台
• 平台作用：開源深度學習平台
• 隸屬公司：百度
• 語言：C++、Python
• 平台：Windows、MacOS、Ubutun、CentOS
• 最新版本：v1.5

發展歷程

百度深度學習大事記

• 2012年，百度將深度學習技術套用於語音識別、OCR等。
  
• 2013年，百度開始研發深度學習框架PaddlePaddle，搜尋、鳳巢CTR預估上線DNN模型。
  
• 2015年，百度發布NMT線上翻譯引擎，基於LSTM-CTC的聲學模型上線，開始自研更適配 NLP任務的通用深度學習框架。
  
• 2016年，在百度世界大會上，百度宣布PaddlePaddle開源，這標誌著國產開源深度學習平台的誕生。
  
• 2017年，百度信息流推薦系統使用深度學習，並發布了新一代深度學習框架Paddle Fluid。
  
• 2018年，PaddlePaddle 3.0升級為全面的深度學習開發套件；百度視覺模型、強化學習在 ActivityNet 2017/2018 kinetics、Google AI Open Images-Object Detection Track、NIPS AI for Prosthetics Challenge 等多項國際比賽中奪冠。
  
• 2019年，4月23日，首屆WAVE SUMMIT深度學習開發者峰會在北京召開，PaddlePaddle深度學習平台全面升級，發布中文名稱：飛槳，在框架開發、模型庫、分散式訓練、部署、工具組件等方向發布重大更新。5月，飛槳助力百度視覺團隊在多目標追蹤挑戰的MOT16和ICME人臉106關鍵點檢測比賽中奪冠。7月3日，在“Baidu Create 2019”百度 AI開發者大會上，百度首席技術官王海峰與華為消費者BG軟體總裁王成錄共同宣布，百度飛槳深度學習平台與華為麒麟晶片強強聯手，雙方將打通深度學習框架與晶片，為AI時代打造強大算力和最流暢的套用體驗。
  

飛槳核心框架Paddle Fluid版本疊代

• 2018年 7月，Paddle Fluid v0.14發布——提供從數據預處理到模型部署在內的深度學習全流程的底層能力支持。官方首次開源CV/NLP/語音/強化學習等10個模型。
  
• 2018年 10月，Paddle Fluid v1.0穩定版本發布——提供更穩定、向後兼容的API，易用性大幅提升。提供 MacOS 下的多種安裝方式，新增對Python 3.5的支持。並開源8個CV、NLP 方向主流模型。
  
• 2018年11月，Paddle Fluid v1.1發布——支持萬億規模稀疏參數大規模多機異步訓練。移動端預測新增Mali GPU、Adreno GPU、FPGA等硬體支持。開源5個推薦領域模型，大幅最佳化CV、NLP模型的訓練速度和顯存占用。
  
• 2018年12月，Paddle Fluid v1.2發布——CPU多機異步訓練升級包括worker異步並發和IO、通信最佳化在內多項功能，整體吞吐大幅提升。支持Python 3.6及以上各版本。模型庫新增圖像分類任任務的預訓練模型、語言模型任務新增基於cudnn的LSTM實現、分散式word2vec模型。。
  
• 2019年3月，Paddle Fluid v1.3發布——統一Executor和ParallelExecutor接口，正式發布AnalysisConfig 預測接口，支持計算圖分析、運算元融合等最佳化；模型庫新增發布飛槳視頻模型庫，提供5個視頻分類經典模型以及適合視頻分類任務的通用骨架代碼；新增支持NLP語義表示BERT模型，支持多機多卡訓練，支持混合精度訓練，訓練速度對比主流實現提升50%+；發布大規模稀疏參數伺服器Benchmark。
  
• 2019年4月，Paddle Fluid v1.4發布——正式發布模型壓縮工具包PaddleSlim和模型預測服務Paddle Serving，全面提升飛槳部署能力。正式發布視頻分類工具包，覆蓋主流視頻分類模型；正式發布PaddleNLP，工業級中文NLP工具與預訓練模型集。正式發布PaddleHub預訓練模型管理工具，提供包括預訓練模型管理、命令行一鍵式使用和遷移學習三大功能。發布業界領先的超大規模並行能力，包括大規模稀疏參數伺服器解決方案、工業級數據處理、頻寬不敏感訓練能力等。
  
• 2019年7月，Paddle Fluid v1.5發布——正式發布動態圖Preview版並提供 7個模型動態圖版本官方實現。PaddleHub共提供40+預訓練模型，覆蓋文本、圖像、視頻三大領域八類模型，並全面提升易用性，發布PaddleHub官網。模型壓縮框架PaddleSlim新增基於模擬退火的自動剪下策略和輕量級模型結構自動搜尋功能（Light-NAS）。官方模型庫正式發布PaddleDetection物體檢測統一框架、圖像生成庫PaddleGAN；升級視頻識別與定位工具集PaddleVideo；發布PaddleNLP-Research，包含百度在 NLP 領域近期研究工作。
  

飛槳五大優勢

1. 同時支持動態圖和靜態圖，兼顧靈活性和高性能

飛槳全景圖

飛槳同時為用戶提供動態圖和靜態圖兩種計算圖。動態圖組網更加靈活、調試網路便捷，實現AI 想法更快速；靜態圖部署方便、運行速度快，套用落地更高效。

2.源於實際業務淬鍊，提供套用效果領先的官方模型

飛槳提供的80+官方模型，全部經過真實套用場景的有效驗證。不僅包含“更懂中文”的NLP 模型，同時開源多個視覺領域國際競賽冠軍算法。

3.源於產業實踐，輸出業界領先的超大規模並行深度學習平台能力

飛槳同時支持稠密參數和稀疏參數場景的超大規模深度學習並行訓練，支持萬億規模參數、數百個節點的高效並行訓練，提供強大的深度學習並行技術。

飛槳提供高性價比的多機CPU參數伺服器解決方案，基於真實的推薦場景的數據驗證，可有效地解決超大規模推薦系統、超大規模數據、自膨脹的海量特徵及高頻率模型疊代的問題，實現高吞吐量和高加速比。

4.追求極致速度體驗，推理引擎一體化設計實現訓練到多端推理的無縫對接

　　

飛槳支持多框架、多硬體和多作業系統，為用戶提供高兼容性、高性能的多端部署能力。依託業界領先的底層加速庫，利用Paddle Lite 和 Paddle Serving 分別實現端側和伺服器上的部署。

飛槳提供高效的自動化模型壓縮庫 PaddleSlim，實現高精度的模型體積最佳化，並提供業界領先的輕量級模型結構自動搜尋Light-NAS，對比MobileNet v2在ImageNet 1000類分類任務上精度無損情況下FLOPS 減少約17%。（數據來源：內部測試結果，實際結果可能受測試環境影響而在一定範圍內變化，僅供參考）

5.秉承用戶至上理念，提供系統化技術服務與支持

飛槳提供高效的技術支持，滿足不同層次的開發者的套用需求；提供系統化技術服務，致力於為企業合作夥伴保駕護航；提供領先的教育資源，支持高校和教育合作夥伴構建教育體系。

豐富的工具組件

PaddleHub

預訓練模型管理和遷移學習組件，10行代碼完成遷移學習

提供40+預訓練模型，覆蓋文本、圖像、視頻三大領域八類模型；模型即軟體，通過Python API或者命令行工具，一行代碼完成預訓練模型的預測；結合Fine-tune API，10行代碼完成遷移學習。

PARL

基於飛槳的深度強化學習框架，奪冠NeurIPS 2018

具有高靈活性和可擴展性，支持可定製的並行擴展， 覆蓋 DQN、DDPG、PPO、IMPALA 、A2C、GA3C 等主流強化學習算法。通過 8 塊 GPU 拉動近 20000 個 CPU節點運算，將近5個小時疊代一輪的PPO算法加速到不到 1 分鐘。

AutoDL Design

讓深度學習來設計深度學習，設計的部分網路效果可優於人類專家設計

AutoDL Design包含網路結構自動化設計、遷移小數據建模和適配邊緣計算三個部分。開源的 AutoDL Design自動網路結構設計的圖像分類網路在CIFAR10數據集正確率達到98%，效果優於目前已公開的10種人類專家設計的網路，居於業內領先位置。（數據來源：內部測試10種網路分別為：vgg_15_BN_64、vgg_16、resnet_32、resnet_56、resnet_110、resnet_v2_bottleneck_164、wide_resnet、densenet_BC_100_12、resnet_29_8x64d、shake_shake_64d_cutout，實際結果可能受測試環境影響而在一定範圍內變化，僅供參考）

VisualDL

深度學習可視化工具庫，完美可視化深度學習過程

幫助開發者方便地觀測訓練整體趨勢、數據樣本質量、數據中間結果、參數分布和變化趨勢、模型的結構，更便捷地處理深度學習任務。

專業的服務平台

AI Studio 一站式實訓開發平台

百度 AI Studio一站式深度學習開發平台，集開放數據、開源算法、免費算力三位一體，為開發者提供高效學習和開發環境、高價值高獎金的競賽項目，支撐高校老師輕鬆實現 AI 教學，並助力企業加速落地AI 業務場景。

EasyDL 定製化訓練和服務平台

EasyDL為零算法基礎的企業用戶和開發者提供高精度的AI模型定製服務，已在零售、工業、安防、醫療、網際網路、物流等 20 多個行業中落地套用。

套用及落地

案例1

AI 識蟲—紅脂大小蠹蟲情監測系統

紅脂大小蠹是危害超過35種松科植物的蛀乾害蟲，自1998 年首次發現到2004 年，發生面積超過52.7 萬平方公里, 枯死松樹達600 多萬株。且在持續擴散，給我國林業經濟帶來巨大損失。AI 識蟲是北京林業大學、百度、嘉楠、軟通智慧合作的面向信息素誘捕器的智慧型蟲情監測系統。（數據來源：《植物檢疫》2006年05期）

套用方案：通過飛槳目標檢測模型YOLOv3識別紅脂大小蠹蟲，遠程檢測病蟲害情況。

套用效果：實現小時級數據回傳與檢測，檢測效率大幅提升；相比而言，傳統方法專業人員需要深入林場，每周檢測一次。

案例2

標準高爾夫球場自動檢測

隨著高爾夫球運動在我國的興起，關於高爾夫球場大量占用土地資源、污染環境、耗水量大且公益性差的爭議越來越多。開展高爾夫球場用地監測，對發現新增高爾夫球場、核查清理整治效果具有重要意義。

套用方案：套用飛槳 Faster R-CNN 模型，結合特徵提取網路VGG16及區域建議網路實現高爾夫球場的用地檢測。

套用效果：構建共400+景影像的 800+ 個多時相球場樣本的全國標準高爾夫球場遙感數據集。套用深度學習技術較傳統方法，識別效率提升約90倍。

案例3

百度多項核心業務使用的視頻理解技術

視頻理解技術可以多維度解析視頻內容，理解視頻語義，自動分類打標籤，極大節省人工審核效率，節約成本；同時精準用戶推薦，提升體驗效果。

套用方案：基於飛槳框架，採用two-stage 訓練策略，涵蓋2D/3D-CNN 模型，序列模型等，對視頻自動分類、打標籤，提取視頻語義向量。

套用效果：百度Feed 流視頻全流量自動分類，節約人力成本。

案例4

百度核心業務驗證的推薦解決方案

飛槳為百億數據規模推薦業務提供分散式訓練及預測支持

個性化推薦能力在市場上被廣泛套用並在最佳化用戶體驗方面發揮著極其重要的作用。而個性化點擊率預估模組是實現個性分發的重要手段。但對於擁有超大規模用戶體量、海量內容庫及所伴隨的可達百億級別數據的推薦系統，如何處理擁有自膨脹特點的海量特徵數據及需要高頻率疊代的模型，成為了推薦系統是否成功的核心關鍵。

套用方案：飛槳通過提供一種高性價比的多機CPU 參數伺服器訓練方法，可有效地解決超大規模推薦系統、超大規模數據、自膨脹的海量特徵及高頻率模型疊代的問題，擁有超大吞吐量及高效率。

套用效果：基於真實的推薦場景的數據驗證，飛槳在100 節點*10 執行緒/ 節點的情況下，吞吐量可達60 萬～ 140 萬樣本/s，每小時可處理20 ～ 50 億數據，且在batch size 為512的情況下達到90%的加速比。

案例5

度小滿金融風控建模

ERNIE 知識增強語義理解框架在金融領域的套用

網際網路金融快速發展，每天在平台上會發生大量的業務行為。人工處理不僅對從業審核人員要求非常高，而且效率、審核標準的統一性也無法保證。傳統的風控建模技術是基於小樣本的監督學習，依賴於特徵挖掘，需要耗費大量人力且依賴個人經驗；傳統技術對於小樣本的文本類數據處理往往缺乏上下文的理解，未能提取其重點，導致對用戶的理解出現偏差。

套用方案：百度自研知識增強語義理解框架ERNIE，充分利用海量數據和飛槳多機多卡高效訓練優勢，通過深度神經網路與多任務學習等技術，持續學習海量數據和知識，助力各NLP任務效果顯著提升。目前，百度對外發布基於該框架的ERNIE 2.0預訓練模型，該模型累計學習10億多知識，全面刷新16箇中英文NLP 任務效果。

在度小滿風控場景中，利用ERNIE對業務信息進行語義層面深度建模，結合風控少量訓練數據進行精細Fine-tune，在較短的時間內即可完成風控模型的收斂並且具備更好的泛化能力。

套用效果：度小滿金融風控模型KS相對提升約6.35%，AUC 相對提升超過1.55%，用戶排序最佳化約21.5%。

更多案例

1、 智慧型農業

• 耕地地塊提取
  

傳統對遙感圖像的處理，依賴於大量擁有遙感專業背景的人工使用專業軟體進行分析。衛星遙感影像數據存在畫幅巨大、肉眼解析度低、對識別人員專業要求能力高等問題，且人工標註需要大量重複勞動，非常費時費力，枯燥無味。

中科賽諾（北京）科技有限公司基於飛槳的自動農耕地塊提取系統，可快速自動獲得農耕用地邊境及面積，從而達到進行有效的估產並輔助相關其它農事活動。套用飛槳 Deeplab V3實現地塊面積提取準確率達80%以上，對作物長勢、作物分類、成熟期預測、災害監測、估產等工作進行高效輔助，大大減少了傳統人力的投入。

• 桃子分揀機
  

傳統農業生產過程中，桃子採摘後需要人工根據其品質進行篩選，質量無法得到保證的同時還耗費大量的人工和時間成本。

智慧型桃子分揀機集成了圖像分類模型，將桃子智慧型分類模型訓練、機械自動化採集樣本數據，完成桃子分揀自動化。提升桃子分揀準確率至90%以上；節省90%人力成本，每年為桃農直接節省近3萬元。（數據來源：內部測試結果，實際結果可能受測試環境影響而在一定範圍內變化，僅供參考。節省費用估算公式為人工勞務單日費用*工人數-設備成本開銷）

2、 智慧型工業

• 碩橙機器聽診大師
  

碩橙將飛槳用於機器設備噪聲識別，實現了設備生產量的實時統計，並評估設備的運行狀態。對於生產量統計，先將噪聲分解為多個維度的機械運動特徵量，然後截取一定長度的數據，送入一個深度神經網路，特徵量波形識別為機械設備的動作，從而實時判斷設備的生產量。

對於運行狀態的評估，仍然是先將噪聲分解為多個維度的機械運動特徵量，然後根據前述生產量統計套用得到的生產周期，將一個生產周期內的全部特徵量構建成一個在高維空間中的分布，並根據歷史記錄尋找絕大部分樣本集中的區域包絡面，最後使用One class SVM方法對每一次生產周期進行評分，實時給出整體運行狀態評價。

• 3D智慧型抓取機器人
  

矩視智慧型研發的缺陷檢測系統在飛槳的AI Studio環境下，將飛槳提供的圖像檢測模型與自主研發的算法相結合，對鍵槽軸心外觀齒部冷鍛傷類型缺陷進行檢測，保證缺陷檢測系統準確率的同時，大大提升了圖像處理的速度。每齒輪檢測時間<300ms/幀，連續運行100次，誤判率≦1%。

• 瓷器及地板表面質量檢測
  

北京奇想天外科技有限公司，智慧型硬體解決方案商，套用飛槳目標檢測模型，在廣東松發陶瓷股份有限公司的瓷器生產質檢線上，實現了5類缺陷的檢測，在15%誤識率的基礎上，實現了90%檢出率，比傳統人眼識別，效率提升了20%。

• 精諾鋼鐵熔煉生產工藝最佳化
  

在合金熔煉的過程中，合金元素會根據爐內溫度、熔煉時間等因素髮生無法用機理進行判斷和解釋變化，傳統合金熔煉環節大多由有經驗的師傅進行補料，需要多次實驗和調整，廢料廢時。

精諾數據基於百度深度學習平台飛槳，研發了IAPBOA算法，利用歷史配料數據建模，實現智慧型化計算。通過機器學習最佳化企業個性化配料方案，最終達到生產質量和生產成本的有效平衡點，從而指導熔煉生產，減少對經驗的依賴，達到提升熔煉效率、節省原材料的效果。

3、 智慧型城市

• 樓宇設備智慧型管理
  

樓宇設備工況運行調控依賴人工, 而運維專業水平不齊，運行效率不高,導致能源浪費、無法及時根據外界環境變化來調整系統輸出，樓宇內用戶體驗不好。

百度科技園將基礎運行積累的大數據與深度學習算法結合起來，提高了機電系統運行效率，完善日常保養策略，提供故障預警、保養提醒功能，實現智慧型運營。目標樓宇日均節電20%+，年節電約100萬度，節約電費30%+，有效提升樓宇運營效率。

• AI控煙
  

在2018年世界無菸日，百度科技園發起AI控煙公益項目，由百度工程師用飛槳的目標檢測模型成功識別下沉廣場的吸菸者，在廣場大螢幕給吸菸者實時傳送健康提示。該項目基於百度飛槳開源平台的深度學習能力，對數萬張吸菸動作圖片進行了43次深度學習模型訓練，可實現對吸菸動作的識別，通過視頻監控的數據從人群中識別出正在吸菸的人，將其圖像提取並標註保存。

4、 智慧型零售

• 生鮮進貨量智慧型預測
  

由於生鮮產品保質期極短，需要豐富的進貨經驗才能降低貨物過期報損率，然而店長經驗參差不齊，無法保證準確預估全部店鋪的進貨量。

通過利用商超生鮮的歷史銷售數據，從位置、時段、節假日、天氣等維度，提取出多個影響銷量的條件，使用DNN神經網路到建立銷量預測模型，比店長預測更為準確，整體報損降低30%+、模型進貨淨利潤較店長進貨提升約20%。

• 智慧購物解決方案（以圖搜商品）
  

隨著消費網際網路流量紅利的逐漸殆盡，移動網際網路的主戰場轉向產業網際網路，家居行業3D數位化進程高歌猛進，行業開始沉澱下了大量的與真實商品對應3D模型數據，如何套用真實商品的3D數據的多維度特點，來改善消費者的購物體驗具有重要意義。但如今，線下實體店仍然占據80%的銷售額，線上流量無法直接轉化成消費行為是行業中的一大痛點。如何將線上線下的優勢結合，最佳化資源配置，快速實現線下家居實體業的「進化」，成為家裝企業發展的重中之重。

次元視界套用Faster R-CNN模型實現2D圖像的特徵提取，再生成3D模型，達到了模型輪廓識別準確率達到89%，FPR降低了32%，顯著的提升了套用效果。

5、 智慧型推薦

• 智慧型招聘——簡歷職位智慧型匹配系統
  

雲腦科技使用飛槳搭建的Gated Model（GQM），是基於CNN、DSSM、C-DSSM等算法的文本匹配模型。GQM在上述模型架構的基礎上，最佳化了全局語義特徵的提取，以及查詢文本於候選匹配文本的語義特徵互動，進而達到更快速、單文本上下文特徵提取範圍更廣、文本對語義特徵互動最佳化、同時高準確匹配的效果。綜合企業需求與求職者的簡歷數據，實現企業與求職者雙方需求的高效率匹配。項目現運用於雲腦的合作夥伴實習僧的項目中，實現面試邀約成功率提升5倍。（數據來源：內部估算結果，計算方式一定時間內使用簡歷職位智慧型匹配系統後面試邀約平均成功率除以使用簡歷職位智慧型匹配系統之前的面試邀約平均成功率）

6、 智慧型製造

• 智慧型零件分揀機
  

零部件的質量，決定了工業裝備的整機性能。但是，由於小零件的數量龐大，人工執行質量檢測與分揀的效率低、成本高，迫切需要引入智慧型機器對人力替代。在此背景下，領邦智慧型面向市場推出了智慧型零件分揀機。

領邦基於百度深度學習平台飛槳訓練CNN分類網路模型，讓分揀機能夠自動學習良品和缺陷品的分類特徵，並對工件圖像實時做出自動判別與分類。智慧型分揀機能夠高效、準確識別零件種類與問題，檢測速度可達20ms/件。機器可以在精度上與人工檢測持平，同時在質檢速度上大幅提升。根據測算，一台檢測機器可以代替十多位熟練質檢工人，能夠幫助企業降低15%的生產成本。另外，分揀機的套用具有較好的拓展性，可支持數十種形狀各異、高精密的小零件分揀。

7、 智慧型醫療

• 甲狀腺結節圖像智慧型識別與輔助診斷系統
  

整合醫生專家的診斷邏輯，基於飛槳平台構建深度學習模型，對標註好的甲狀腺結節圖像進行訓練，抽取圖像特徵，從而判定甲狀腺結節的良惡性，實現甲狀腺圖像智慧型識別系統，輔助醫生進行診斷。

• 智慧型醫療輔助診斷系統（AIMADS）
  

AIMADS可用於常見皮膚病和腦腫瘤的輔助診斷，用戶可通過在客戶端上傳患處圖片到伺服器，伺服器端通過本團隊設計的診斷算法在飛槳平台對上傳數據進行分析，在 APP 中顯示診斷結果。

8、 趣味生活

• 猜拳機
  

2018年7月，小度猜拳手通過使用深度卷積神經網路技術訓練出能夠識別用戶出拳結果的模型，該模型可以識別石頭、剪刀、布的手勢。在用戶出拳過程中，系統會不斷採集用戶的手勢圖片，通過飛槳實時預判人的出拳機率。

9、社科類

• 全球瀕危語言典藏--土家語翻譯系統
  

當前學術界意識到了瀕危語言問題的重要性，積極倡導各國語言學家對本國語言、尤其是瀕危語言加以關注，並採取具體的行動進行口語記錄、語言典藏。2003年英國倫敦大學開展了對全球瀕危語言進行深度典藏的國際項目，2004年中國開始參與到項目之中，中國社會科學院民族學與人類學研究所的徐世璇教授作為中國參與國際瀕危語言典藏項目的第一人，負責包括土家語的保存等重要項目。社科院利用飛槳實現了針對土家語預料的標音及意譯，算法準確率已經達到了約70%，達到人工標註水平，且效率提高了幾個數量級。在當前全球瀕危語言保護工作中起到了重要作用。

註：以上數據是內部測試結果，實際結果可能受測試環境影響而在一定範圍內變化，僅供參考。

社區與生態

開發者社區

1、飛槳布道師團隊

飛槳布道師團隊致力於建設深度學習生態，尋找志同道合的布道師，面向廣泛開發者、企業授業解惑。在幫助布道師打造更大的個人影響力的同時，將飛槳的火種散播到更多的開發者中去。

布道師權益：

廣闊的個人影響力平台，面向開發者、企業的演講宣傳機會

• 百度自辦或參與的各類知名學術會議門票
  
• 與百度技術大牛、行業大牛的交流渠道
  
• 百度認證與標識使用權
  
• AI新產品的優先試用
  

2、飛槳開發者說

飛槳開發者說致力於向社區提供更豐富、更優質的技術內容，讓開發者更方便使用AI學習資源。為此，飛槳開發者說誠邀廣大開發者投稿。

作者權益：

• 官方認證：成為飛槳開發者說的一員，在飛槳PaddlePaddle公眾號、官網展示個人簡介和文章，並有機會成為飛槳布道師，為職業發展添彩。
  
• 內容宣傳：對於優質內容，百度會向主流技術媒體推廣作者的文章，擴大文章的傳播量和個人品牌。
  
• 稿費激勵：對於官方邀稿和優質內容，給予稿費激勵。
  
• 綠色通道：實習或優先入職百度的機會。
  

3、飛槳博士會

飛槳博士會主要面向具備深度學習多年研究和實踐經驗的博士群體，由百度開源深度學習平台飛槳發起的中國深度學習技術俱樂部，旨在打造深度學習核心開發者交流圈，助力會員拓展行業高端人脈、交流前沿技術。

4、飛槳領航團

飛槳領航團是為希望學習飛槳、參與飛槳官方組織及線下活動的用戶組建的地方運營團。飛槳領航團為用戶提供學習資料、深度學習培訓及考試資料信息，並組織相關地區的飛槳用戶進行線下活動，交流技術，拓展人脈。

企業服務

黃埔學院—為中國產業界培養一批首席AI架構師

培養深度學習架構師，培育深度學習產業落地人才，打造中國深度學習核心技術圈。

• 百度深度學習T10 架構師面對面深度交流。
  
• 解鎖百度核心業務中深度學習落地的關鍵技術。
  
• 剖析百度AI 生態企業中業務與深度學習結合的典型案例。
  
• 助力企業使用AI 思維、AI 工具與AI方法技術解決實際業務問題。
  

AI快車道—企業深度學習實戰營

1000家企業深度學習技術套用支持計畫，為企業提供一條AI業務轉型的快車道。

• 深度學習案例套用剖析現場。
  
• 所學即所用的算法Code Live。
  
• 百度資深技術專家的深度學習技術方案諮詢。
  

高效的技術支持

• 及時的GitHub技術答疑。
  
• 百度AI技術生態扶持。
  
• 優秀產業套用協同攻關。
  
• 企業培訓需求定製合作。
  

飛槳深度學習企業合作夥伴計畫

飛槳深度學習合作夥伴計畫致力於建設深度學習生態，為合作夥伴提供技術、人才培養、資金、商業推廣等多方面支持，幫助合作夥伴快速成長，引領AI技術創新，攜手開拓AI市場，共建AI生態。

百度提供：

• 技術及方案對接：對接深度學習供需雙方，促成項目高效率落地，對行業有重大套用價值的項目，百度工程師將直接參與項目研發，確保項目高質量落地；針對典型套用場景，飛槳將進行針對性最佳化，提供預訓練模型、工具及組件。
  
• 技術培訓：開設黃埔學院等針對企業的深度培訓項目，支持研發團隊深度了解飛槳並落地項目套用，提高企業整體的技術能力。
  
• 市場推廣：在媒體、第三方社區、線下活動、發布會上提供品牌曝光和產品宣傳的機會。
  
• 商機優先推薦：在百度生態或其他領域合作中，優先獲得百度AI生態中的商機推薦。
  

教育合作

深度學習工程師能力認證

2018年，百度聯合深度學習技術及套用國家工程實驗室、中國軟體行業協會，共同發布中國深度學習工程師能力評估標準。2019年3月，百度向社會開放“深度學習工程師”認證考試，並提供相應的學習解決方案。

深度學習師資培訓班

在教育部指導下，百度飛槳與全國重點高校聯合打造的深度學習師資培養計畫，通過理論講解和實踐操作讓教師快速掌握深度學習教學方法和平台，並為此提供豐富的教學材料及配套實驗資源，助力教師開設深度學習課程和實踐項目、開展深度學習工程與科研項目。截止到2019年8月，共培訓300+高校，800+名老師。

• 實踐型課程設計：理論基礎+ 高強度代碼實踐，教師技術水平72 小時飛躍式提升。
  
• 配套教學材料：包含專業教材、授課課件、實踐平台、實踐案例和硬體教具，助力高校開課。
  
• 教師經驗交流：開課思路與教學法研討，從輸入到輸出，解鎖高校AI教學新思路。
  
• 教育部專項基金：“協同育人”科研基金累計發放超過200萬元，支持教師開課。
  

AI Studio教育版

提供領先的教學管理與實訓平台，深入促進實踐型AI人才培養，已入駐300+高校。

• 線上教學環境：雲端集成免安裝，線上聯網，便捷易用。
  
• 免費算力支持: CPU/GPU 資源免費提供，降低高校開課門檻。
  
• 內置教學實驗：豐富教學實驗案例，從入門到進階，一應俱全。
  
• 實用教學管理：完備實用的教學管理功能，助力專業課堂教學。
  

PaddleCamp未來深度學習工程師集訓營

百度官方深度學習線上集訓營，4-6 周時間，助力開發者從入門到實戰。

• 權威授課團隊：百度T10架構師監製，認證布道師全程親自授課。
  
• 實踐課程設計：開放專屬實訓平台與GPU 資源，實踐採用真實賽題，直通賽場。
  
• 多維服務體系：直播+ 錄播+ 24h 答疑，班主任指導，助教一對一作業批改。
  
• 綠色就業通道：考取「深度學習工程師認證」證書，優秀學員內推百度。
  

飛槳深度學習教育合作夥伴計畫

百度提供內容、平台、聯合推廣等全方位的教學支持，助力教育機構開設AI 課程。

• 豐富教學資源：提供AI入門、實戰進階、企業級案例等符合市場需求的課程內容。
  
• 專屬實踐平台：面向合作機構開設線上教學專區，線上實踐平台與免費GPU資源。
  
• 聯合推廣招生：百度AI 開放平台130萬開發者、聯合100家AI 媒體矩陣聯合招生。
  
• 綠色就業通道：考取「深度學習工程師認證」證書，優秀學員內推百度。
  

出版物

百度技術學院聯合深度學習技術及套用國家工程實驗室、北航人工智慧專家共同撰寫《PaddlePaddle深度學習實戰》。書中詳細描述神經網路的各個細節，深入講解算法性能最佳化的思路和技巧，幫助讀者深入理解深度學習的精髓。

人工智慧賽事

• 人工智慧算法賽
  

為機器學習、深度學習、數據科學人才準備的算法挑戰排名賽事。大賽面向全球開發者招募，參加比賽的選手使用飛槳挑戰賽題，根據算法精度成績排名。基於百度大腦AI Studio已舉辦多場比賽：機器閱讀理解技術競賽（2018、2019）、百度之星開發者大賽 （2018、2019）、無人車車道線檢測挑戰賽。

• 產業套用賽
  

由企業貢獻真實的業務數據和業務難題，聯合飛槳舉辦創造更優算法，並套用於實際業務中的賽事。如：問答摘要與推理常規賽。

• 校園創意賽
  

面向全球各高校、各專業的創意產品套用賽事。多為開放式賽題，要求參賽者站在不同視角，結合飛槳開發不同的智慧型套用，如2019全國高校人工智慧創意賽。

國家工程實驗室

2017年2月，國家發展和改革委員會正式批覆，由百度牽頭聯合清華大學、北京航空航天大學、中國電子技術標準化研究院、中國信息通信研究院，共同籌建深度學習技術及套用國家工程實驗室。飛槳依託深度學習技術與套用國家工程實驗室，與國內多家科研機構及高校合作研發的深度學習技術，為深度學習研究者、企業和開發者提供功能豐富的開源深度學習平台。

WAVE SUMMIT 深度學習開發者峰會

WAVE SUMMIT深度學習開發者峰會由深度學習技術及套用國家工程實驗室與百度聯合主辦，會上，來自百度、英特爾、華為、清華大學、北京航空航天大學等公司及高校的科學家及人工智慧專家共同探討深度學習時代的技術方向及產業前景，同時，開源深度學習平台飛槳發布多項新特性及服務，為深度學習開發者提供利器。

億元算力支持計畫

2019年4月23日，在首屆WAVE SUMMIT 2019深度學習開發者峰會上，百度宣布了AI Studio算力支持計畫，開放價值近億元人民幣的免費算力資源，助力開發者成功。免費算力主要以兩種模式提供，第一種是一人一卡模式，V100的訓練卡包括16G的顯存，可達2T的存儲空間。另外一種是遠程集群模式，飛槳提供高性能集群，供開發者免費使用，登入AI Studio即可使用。