降低一切門檻：開發(fā)框架三國殺在爭什么？

在我們談論AI開發(fā)時，我們就究竟在談論什么？

更多的開發(fā)者：開發(fā)者數(shù)量顯然是一切的前提，數(shù)量廣闊的開發(fā)者就像蒲公英的種子，會把深度學習開發(fā)框架以及相關(guān)的軟硬件服務帶到各個企業(yè)中去，幫助巨頭們的AI布局在四處扎根生長。

更活躍的開發(fā)生態(tài)：建立在大量開發(fā)者數(shù)量之上，用案例和經(jīng)驗對開發(fā)社區(qū)進行填充，鼓勵開源和共享，讓AI的開發(fā)變得更加簡單，從而進入更多行業(yè)和場景。

更高級別的開發(fā)項目：自身框架中誕生一款殺手級應用，可能是每個巨頭都會有的理想目標。高價值和高效用的應用AI很可能帶來大量簇擁者，一齊涌向該框架的生態(tài)之中。

總之，如何降低門檻以一切手段吸引開發(fā)者進入，成為了三大開發(fā)框架的共同目標。

最典型的例子就是TensorFlow與PyTorch之間的競爭。

在目前的開發(fā)框架中，TensorFlow憑借著谷歌的技術(shù)優(yōu)勢一直表現(xiàn)的較為強勢，在開發(fā)者越來越多時，其開發(fā)社區(qū)生態(tài)也在進行良性發(fā)展。

但占據(jù)了優(yōu)勢后，TensorFlow開始隨著谷歌一同收攏自身的開發(fā)生態(tài)。比如谷歌曾經(jīng)推出過一系列賦能開發(fā)者的培訓計劃，向開發(fā)者提供課程教學。但結(jié)果是所有的教學全部都建立在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等開發(fā)平臺“友盡”，使得開發(fā)者們無法進行平臺之間的遷移。

而Facebook就抓住了這一點。將原來的開發(fā)工具Torch進行升級，聯(lián)手微軟打造神經(jīng)網(wǎng)絡(luò)交換格式幫助開發(fā)者降低遷移成本。同時PyTorch設(shè)計了更方便的數(shù)據(jù)加載API接口，使開發(fā)過程中加載并行數(shù)據(jù)更加順暢，相比TensorFlow降低了不少API方面的學習成本。

在自定義擴展上，PyTorch也改變了TensorFlow依靠樣板代碼才能實現(xiàn)的情況，通過為CPU/GPU編寫接口這種更易行的方式添加自定義拓展，使得開發(fā)過程中的自由度大大提高。

綜合來看，在開發(fā)框架的競爭中，賽點在于更低的學習成本和遷移成本，以及更高的易用性和社區(qū)友好度。

在這幾個方面，西方戰(zhàn)場之外的PaddlePaddle也以靈活、易用著稱。

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

在訓練部分的調(diào)用方式上PaddlePaddle集中了瀏覽器和客戶端等多種主流調(diào)用方式，并支持CPU、GPU、FPGA等多種硬件，從而極力降低開發(fā)成本。同時還支持多種深度學習模型，使得開發(fā)者可以更關(guān)注模型的高層結(jié)構(gòu)，拋開底層編碼，使得 TensorFlow 里需要數(shù)行代碼才能實現(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用層面的功能。例如在最新的Fluid版本中讓開發(fā)過程更接近常見的高級語言，減少深度學習中“黑箱”狀況的出現(xiàn)，讓開發(fā)者不再用“玄學”調(diào)參，更進一步明晰開發(fā)和優(yōu)化中產(chǎn)生的對應關(guān)系，使得開發(fā)過程更有可復制性。

還包括PaddlePaddle支持彈性使用計算資源完成深度學習訓練，根據(jù)需求變化設(shè)置資源消耗的彈性區(qū)間。對于時常面對著繁多計算任務的大型企業(yè)來說，此舉可以幫助他們節(jié)約大量資源，讓深度學習的開發(fā)和訓練成本進一步降低。

近日有新聞報道，Google發(fā)布TensorFlow.js，支持在瀏覽器上進行機器學習的相關(guān)工作，但在降低開發(fā)者使用瀏覽器發(fā)展機器學習的門檻方面，PaddlePaddle確實做得更早也相對成熟。同時為了讓更多開發(fā)者和企業(yè)能夠?qū)�現(xiàn)有項目接入到中PaddlePaddle，PaddlePaddle做到了從基礎(chǔ)訓練到分布架構(gòu)徹底開源。這一點即使在以開源精神著稱的硅谷都很稀有。