推动量子计算与 AI 融合,飞桨成为中国首个支持量子机器学习的深度学习平台

简介: 推动量子计算与 AI 融合,飞桨成为中国首个支持量子机器学习的深度学习平台

yy.png

“新基建”给中国“产业智能化”带来强劲的新引擎。飞桨作为智能时代的操作系统与技术底座,也再次迎来高光时刻。5 月 20 日,由深度学习技术及应用国家工程实验室与百度联合主办的“WAVE SUMMIT 2020”深度学习开发者峰会以线上形式召开。

SegmentFault 思否作为本次会议的合作媒体,全程见证了飞桨此次带来的多达 35 项全新发布和重磅升级,以及公布的最新全景图。百度不断完善从开发训练到部署的全流程工业级极致体验、深化企业端服务,更着眼未来,引领布局前沿技术,首发量子机器学习开发工具“量桨”,以及蓄力 AI 人才培养和开发者生态,发布青少年 AI 科普教育“晨曦计划”、“星辰计划”开发者探索基金等。

百度首席技术官、深度学习技术及应用国家工程实验室主任王海峰(见顶部图片)在峰会上致辞讲到:“时代契机为飞桨的发展提供了最好的机遇,产业智能化浪潮兴起、AI 基础设施建设加快推进,飞桨以更敏捷的脚步,秉承开源开放理念,坚持技术创新,与开发者共同成长和进步,一起发展深度学习和人工智能技术及产业生态,加速产业智能化进程。”


降门槛减周期,满足“大规模”产业智能化升级需求

截至目前,飞桨已经凝聚了 194 万开发者,服务 8.4 万家企业,创造了 23.3 万模型,是国内最领先、服务开发者规模最大、功能最完备的开源开放深度学习平台。多年来,飞桨作为引领中国深度学习技术发展的“头雁”,面对中国大规模产业智能化升级需求,持续降低技术开发门槛,缩短升级转型周期,大力推动人工智能进入工业大生产。

百度集团副总裁、深度学习技术及应用国家工程实验室副主任吴甜以“荡起飞桨 AI 生产正当时”为主题做了演讲。她介绍到,飞桨深度学习平台作为百度“AI 大生产平台”的基础底座,以大规模分布式训练、全硬件平台支持、端到端全流程工具以及飞桨 Master 模式,助力企业和开发者加速 AI 生产。无需从头学习难度高、迭代快的前沿科技,避免重复“造轮子”,应用 AI 的门槛更低、成本更低、效率更高。

yy.png

吴甜在演讲的最后发布了最新的飞桨全景图,由飞桨开源深度学习平台和飞桨企业版两大版块构成。飞桨开源深度学习部分,包含核心框架、基础模型库、端到端开发套件与工具组件,持续开源核心能力,为产业、学术、科研创新提供基础底座。同时,随着企业应用的需求越来越丰富和强烈,飞桨升级了产品架构,推出飞桨企业版,助力各个企业进行 AI 创新。

飞桨企业版基于飞桨开源深度学习平台,包含零门槛 AI 开发平台 EasyDL 和全功能 AI 开发平台 BML。EasyDL 主要面向中小企业,提供零门槛、预置丰富网络和模型、便捷高效的开发平台;BML 是为大型企业提供的功能全面、可灵活定制和被深度集成的开发平台。


全流程最前沿,高频升级助力工业大生产第一线

百度飞桨总架构师于佃海、百度深度学习技术平台部高级总监马艳军在峰会上详细介绍了飞桨开源深度学习平台的最新进展。百度 AI 开发平台部总监忻舟分享了飞桨企业版 EasyDL 零门槛 AI 开发平台的全面升级。百度研究院量子计算研究所所长段润尧重磅发布量桨。继 2019 年 11 月的 WAVE SUMMIT 秋季峰会后,短短半年时间,飞桨全平台带来 35 项全新发布和重要升级,其中包括 8 大新产品和 27 项升级。

于佃海讲到,飞桨的使命是“让深度学习的创新与应用更简单”,飞桨核心框架致力于打造成为最灵活易用的产业级深度学习框架。他详细剖析了飞桨框架的设计理念和最新升级。经不断发展,飞桨核心框架已具备四大特点:易学易用的前端编程界面,统一高效的内部核心架构,原生完备的分布式训练支持,高性能可拓展的推理引擎。yy.png

从开发、训练到部署,飞桨开源深度学习平台为开发者带来开发全流程体验的提升。马艳军介绍,飞桨官方模型库新增 39 个算法,算法总数达到 146 个,预训练模型 200 多个,助力开发者进行低代码二次开发。全新发布 3 个端到端开发套件:PaddleClas 图像分类、Parakeet 语音合成和 PLSC 海量类别图像分类。全面升级 PaddleDetection 目标检测开发套件的模型数量、性能和产业应用能力。

训练方面,新增自动混合精度、重计算机制等底层技术升级,提升训练框架的速度,降低显存占用;扩展了模型并行、弹性训练等大规模分布式训练能力,全新发布 PaddleCloud 云上任务提交工具,让训练更快、更好、更省,满足苛刻的工业级应用需求。

部署层面,飞桨全面打通多平台、多场景的部署能力,持续夯实模型压缩 PaddleSlim、原生推理引擎 Paddle Inference、在线部署框架 Paddle Serving、轻量化预测引擎 Paddle Lite 等端到端部署核心能力,全新发布国内首个开源 JavaScript 深度学习前端推理引擎 Paddle.js,用于小程序、网页端部署。yy.png

此外还有全新发布的 PaddleX 全流程开发工具,后端开源,可快速集成,支持多端部署和模型加密。独具特色的飞桨 Master 模式全面升级,预训练模型更多、迁移学习能力更强。企业开发者可以通过 PaddleHub 和 EasyDL 享用飞桨 Master 模式,仅用少量数据、简单操作、更低成本,实现多场景下的优异模型效果。yy.png

此外还有全新发布的 PaddleX 全流程开发工具,后端开源,可快速集成,支持多端部署和模型加密。独具特色的飞桨 Master 模式全面升级,预训练模型更多、迁移学习能力更强。企业开发者可以通过 PaddleHub 和 EasyDL 享用飞桨 Master 模式,仅用少量数据、简单操作、更低成本,实现多场景下的优异模型效果。yy.png

桨企业版 EasyDL-零门槛 AI 开发平台,由忻舟带来最新发布的业内首个专注于 AI 开发领域的智能数据服务平台 EasyData,以及在预训练模型、自动数据增强与超参搜索,分布式训练加速、端计算模型部署方面的 4 项升级,帮助企业从繁杂的数据准备、环境配置、代码开发和服务部署中脱身,专注于业务与创新yy.png通过一系列的新发布和升级,深度学习在实际业务中落地部署的门槛再次被降低,飞桨的易用性和性能进一步提升,前沿技术布局进一步拓展,持续助力工业大生产第一线。


惠民生助经济,推动产业和人才生态成长

峰会上,飞桨联合全球领先硬件厂商英特尔、英伟达、arm中国、华为、MediaTek、寒武纪、飞腾、浪潮、中科曙光等启动共建硬件生态合作圈。同时还分享了近一年飞桨在农林、医疗、工业制造、消费类电子、电力能源、交通、环保等领域的十多个最新案例,切实助力国计民生,促进经济恢复发展yy.png

马艳军在直播中举例讲到,普宙飞行器科技有限公司基于飞桨深度学习技术,专门为森林巡检行业定制开发了一款无人机自主飞行+应用管理平台,可实现大范围森林的自主巡逻、火情监测、非法入侵、森林树木砍伐监测等功能,目前已阻止 10 余起非法砍伐;飞桨携手国家电网和山东信通打造电网智能巡检方案,分析准确率达到 90%,报警响应速度从小时级提升为秒级;OPPO 基于飞桨的大规模分布式训练技术研发的推荐系统,训练速度提升 8 倍,模型扩大 20 倍,效果提升 4%-5%,内存节省 90%,为 OPPO 应用商店业务带来了巨大价值。

飞桨作为全面推动中国产业智能化的重要基石,加快提升自身技术能力的同时,也在不断加强产学研合作力度,并面向全球开发者推出 PPDE(PaddlePaddle Developers Experts)计划,推动中国深度学习技术发展和人才培养生态。

百度 AI 技术生态部总监刘倩介绍到,飞桨着力打造“学习-实践-比赛-认证-就业”开发者成长全周期服务体系。其中,AI Studio 为广大开发者的学习与实训,提供了超过 45 万个精选项目,亿元免费算力;飞桨联合教育部新工科产学研联盟,开设高校深度学习师资培训班,培养了 400 多家高校千余名专业AI教师,支持 200 多家高校开设了人工智能课程;算法赛、创意赛、产业赛三大类型赛事全年无休,以赛促学,近一年累计举办 50 多场;认证方面,继 2019 年 3 月发布第一个深度学习工程师认证考试后,飞桨又与 Linux Foundation 开源软件大学合作推出国内首个深度学习工程师联合认证;就业方面,飞桨及生态伙伴企业将为取得认证的开发者提供绿色通道。

AI 人才培养还要“从娃娃抓起”,飞桨发布针对青少年 AI 科普教育的“晨曦计划”,包括《大圣陪你学AI》科普教材、EasyDL 平台支持的免费学习和实验资源,以及青少年人工智能能力评测与认证体系,都将于年内上线。

为培育 AI 产业级人才,飞桨为企业开发者专门开设课程和培训体系,包括面向一线工程师的 AI 快车道、企业闭门交流课程、“首席 AI 架构师培养计划”黄埔学院等,手把手助力企业智能化转型。yy.png

峰会的最后,飞桨发布了百度“星辰计划”开发者探索基金的参与机制,将以 100 亿流量、1000 万基金、1000 万算力支持广大开发者和百度一起参与到用 AI 技术解决社会问题的理想和实践中,用科技的力量让世界变得更美好。

新基建的加速为中国“智能经济”创造了有利的条件和巨大的发展契机。时代背景之下,飞桨正携手各行各业生态伙伴和开发者,领航产业智能化全速前进。

相关文章
|
8天前
|
机器学习/深度学习 人工智能 安全
探索AI的未来:从机器学习到深度学习
【10月更文挑战第28天】本文将带你走进AI的世界,从机器学习的基本概念到深度学习的复杂应用,我们将一起探索AI的未来。你将了解到AI如何改变我们的生活,以及它在未来可能带来的影响。无论你是AI专家还是初学者,这篇文章都将为你提供新的视角和思考。让我们一起探索AI的奥秘,看看它将如何塑造我们的未来。
36 3
|
10天前
|
机器学习/深度学习 数据采集 人工智能
AI赋能教育:深度学习在个性化学习系统中的应用
【10月更文挑战第26天】随着人工智能的发展,深度学习技术正逐步应用于教育领域,特别是个性化学习系统中。通过分析学生的学习数据,深度学习模型能够精准预测学生的学习表现,并为其推荐合适的学习资源和规划学习路径,从而提供更加高效、有趣和个性化的学习体验。
59 9
|
9天前
|
机器学习/深度学习 算法 编译器
Python程序到计算图一键转化,详解清华开源深度学习编译器MagPy
【10月更文挑战第26天】MagPy是一款由清华大学研发的开源深度学习编译器,可将Python程序一键转化为计算图,简化模型构建和优化过程。它支持多种深度学习框架,具备自动化、灵活性、优化性能好和易于扩展等特点,适用于模型构建、迁移、部署及教学研究。尽管MagPy具有诸多优势,但在算子支持、优化策略等方面仍面临挑战。
25 3
|
9天前
|
机器学习/深度学习 人工智能 算法
AI在医疗:深度学习在医学影像诊断中的最新进展
【10月更文挑战第27天】本文探讨了深度学习技术在医学影像诊断中的最新进展,特别是在卷积神经网络(CNN)的应用。文章介绍了深度学习在识别肿瘤、病变等方面的优势,并提供了一个简单的Python代码示例,展示如何准备医学影像数据集。同时强调了数据隐私和伦理的重要性,展望了AI在医疗领域的未来前景。
26 2
|
26天前
|
机器学习/深度学习 人工智能 算法
揭开深度学习与传统机器学习的神秘面纱:从理论差异到实战代码详解两者间的选择与应用策略全面解析
【10月更文挑战第10天】本文探讨了深度学习与传统机器学习的区别,通过图像识别和语音处理等领域的应用案例,展示了深度学习在自动特征学习和处理大规模数据方面的优势。文中还提供了一个Python代码示例,使用TensorFlow构建多层感知器(MLP)并与Scikit-learn中的逻辑回归模型进行对比,进一步说明了两者的不同特点。
61 2
|
1月前
|
机器学习/深度学习 算法 决策智能
【机器学习】揭秘深度学习优化算法:加速训练与提升性能
【机器学习】揭秘深度学习优化算法:加速训练与提升性能
|
10天前
|
安全 搜索推荐 机器学习/深度学习
AI赋能教育:深度学习在个性化学习系统中的应用
【10月更文挑战第26天】在人工智能的推动下,个性化学习系统逐渐成为教育领域的重要趋势。深度学习作为AI的核心技术,在构建个性化学习系统中发挥关键作用。本文探讨了深度学习在个性化推荐系统、智能辅导系统和学习行为分析中的应用,并提供了代码示例,展示了如何使用Keras构建模型预测学生对课程的兴趣。尽管面临数据隐私和模型可解释性等挑战,深度学习仍有望为教育带来更个性化和高效的学习体验。
34 0
|
10天前
|
机器学习/深度学习 数据采集 人工智能
AI在医疗:深度学习在医学影像诊断中的最新进展
【10月更文挑战第26天】近年来,深度学习技术在医学影像诊断中的应用日益广泛,通过训练大量医学影像数据,实现对疾病的准确诊断。例如,卷积神经网络(CNN)已成功用于识别肺癌、乳腺癌等疾病。深度学习不仅提高了诊断准确性,还缩短了诊断时间,提升了患者体验。然而,数据隐私、数据共享和算法透明性等问题仍需解决。未来,AI将在医学影像诊断中发挥更大作用,成为医生的得力助手。
34 0
|
18天前
|
机器学习/深度学习 数据采集 人工智能
数据驱动的AI技术:如何通过深度学习提升图像识别精度
【10月更文挑战第18天】 数据驱动的AI技术:如何通过深度学习提升图像识别精度
34 0
|
22天前
|
机器学习/深度学习 自然语言处理 算法
机器学习和深度学习之间的区别
机器学习和深度学习在实际应用中各有优势和局限性。机器学习适用于一些数据量较小、问题相对简单、对模型解释性要求较高的场景;而深度学习则在处理大规模、复杂的数据和任务时表现出色,但需要更多的计算资源和数据,并且模型的解释性较差。在实际应用中,需要根据具体的问题和需求,结合两者的优势,选择合适的方法来解决问题。
50 0

热门文章

最新文章

下一篇
无影云桌面