首页 > 数据智能> 人工智能> PaddlePaddle深度学习开源框架

PaddlePaddle深度学习开源框架

PaddlePaddle是百度研发的开源开放的深度学习平台,是国内最早开源、也是当前唯一一个功能完备的深度学习平台

价格面议

  • 用户评分: ★★★★★ 5.00 分
Docker镜像
按年
  • 标签: 深度学习
  • 交付方式: 人工服务

本服务商品为价格面议类,提交订单后工作人员将于一个工作日内与您联系对接。

服务过程 全程监管
交易问题 退款维权
服务商 实名验证
提示

为了给您提供优质的售后服务,建议您完善个人/企业用户认证信息,完成后可进行该操作。

确定

产品详情

简介


PaddlePaddle是百度研发的开源开放的深度学习平台,是国内最早开源、也是当前唯一一个功能完备的深度学习平台。深度学习框架如同智能时代的“发电机”,让人工智能技术更快速地普及到各行各业,推动融合创新,成为智能时代最重要的基础设施。PaddlePaddle作为目前国内唯一功能完备的深度学习开源框架,经过2018年的快速成长,初具模型领先、性能优越、易学易用的技术特色,以及产业场景下的领先优势。

本产品为PaddlePaddle Fluid 1.2.1版本的Docker镜像,适配CPU数据处理设备。

官方文档:http://www.paddlepaddle.org/

功能


PaddlePaddle依托百度业务场景的长期锤炼,拥有最全面的官方支持的工业级应用模型,涵盖自然语言处理、计算机视觉、推荐引擎等多个领域,并开放多个领先的预训练中文模型,以及多个在国际范围内取得竞赛冠军的算法模型。PaddlePaddle同时支持稠密参数和稀疏参数场景的超大规模深度学习并行训练,支持千亿规模参数、数百个几点的高效并行训练,也是最早提供如此强大的深度学习并行技术的深度学习框架。

PaddlePaddle拥有强大的多端部署能力,支持服务器端、移动端等多种异构硬件设备的高速推理,预测性能有显著优势。目前PaddlePaddle已经实现了API的稳定和向后兼容,具有完善的中英双语使用文档,形成了易学易用、简洁高效的技术特色。



优势


三大技术特色

1、深耕业务场景,打造官方支持模型最多的深度学习框架

基于百度多年的产业应用经验,以及百度生态伙伴的人工智能解决方案实践,PaddlePaddle为企业提供44个经过真实业务场景验证的官方模型,涵盖视觉、NLP、语音和推荐等AI核心技术领域,成为官方支持模型最多的深度学习框架。(附模型列表)

基于PaddlePaddle开源多个百度国际竞赛获奖模型:

  • PyramidBox模型 2018年3月在世界最权威的人脸检测公开评测集 WIDER FACE的三项评测子集Easy、Medium和Hard中均获得世界第一。

  • 基于Faster R-CNN的多模型,在Google AI Open Images-Object Detection Track 比赛中,从全球450多支参赛队伍中脱颖而出,获得世界第一。

  • PaddlePaddle强化学习框架PARL获得NeurIPS 2018的强化学习赛事AI for Prosthetics Challenge竞赛冠军。

 

2、  源于产业实践,输出业界最强的超大规模并行深度学习能力

基于百度海量规模的业务场景实践,PaddlePaddle同时支持稠密参数和稀疏参数场景的超大规模深度学习并行训练,支持千亿规模参数、数百个几点的高效并行训练,提供最为领先的深度学习并行技术。

 

3、  追求极致性能,推出移动端高速推理引擎

PaddlePaddle拥有强大的多端部署能力,支持服务器端、移动端等多种异构硬件设备的高速推理,预测性能有显著优势。

Paddle Mobile提供深度学习落地嵌入式移动端平台的能力。针对ARM CPU、IOS GPU、Mali GPU、Adreno GPU、FPGA、树莓派、RK3399等多个硬件平台优化,性能高、体积小的优势。服务于包括手机百度、简单搜索在内的多款APP。在手机端实现单帧多目标检测耗时60ms以内,主要物体检测准确率和召回率均在95%以上。

三大产品优势

1. 功能完备 - 全流程支持企业应用和部署

PaddlePaddle Suite是以深度学习框架为核心的开发套件,从数据预处理到模型部署为深度学习的整个开发和应用流程提供了完整的工具。核心框架为开发者提供全流程高效训练、轻量级应用部署、业界应用广泛或前沿高性能的模型;模块与组件帮助开发者快速训练与试验模型;服务平台帮助不同层次研发能力的企业快速落地AI应用。

 

2. 简洁高效 – 提升企业研发效率

PaddlePaddle通过高级API及API封装,提供模型的简洁实现。基于PaddlePaddle实现的Transformer模型,简洁高效,仅700余行核心代码,开发者可以快速理解代码、完成二次开发。

训练和预测速度快,为企业缩短项目周期、节省机器资源、提高服务响应速度。例如基于PaddlePaddle实现的deeplab v3+模型,相比TensorFlow  GPU训练速度提升52.9%,GPU推断速度提升81.8%。基于PaddlePaddle实现的ICnet模型,应用于精密零件智能分拣场景,单个零件预测速度比TensorFlow快 20% 以上。

 

3. 易学易用 – 帮助用户迅速成为深度学习开发者

PaddlePaddle是首家完整支持中文文档的深度学习框架,官方提供中文版API使用指南,帮助开发者快速了解Fluid API全貌及各类API用法。

框架的设计和实现注重接口的简洁性和稳定性,规避复杂概念和设计的引入,降低PaddlePaddle的开发门槛,对开发者更加友好。

PaddlePaddle全面支持Linux、Mac、Windows三大系统的一键安装,为开发者提供极致简单的安装体验。


案例



1、智慧招聘——简历职位智能匹配系统

云脑科技使用PaddlePaddle搭建的Gated Model(GQM),是基于CNN、DSSM、C-DSSM等算法的文本匹配模型。GQM在上述模型架构的基础上,优化了全局语义特征的提取,以及查询文本于候选匹配文本的语义特征交互,进而达到更快速、单文本上下文特征提取范围更广、文本对语义特征交互最大化、同时高准确匹配的效果。综合企业历史投递、面试、招聘、绩效考核和评价等标记数据,和求职者的档案信息、简历/职位文本内容、招聘和投递等历史行为数据,实现企业与求职者双方需求的高效率匹配。项目现运用于云脑的合作伙伴实习僧的项目中,实现面试邀约成功率提升5倍。

2、智慧城市——楼宇设备智能管理

百度科技园通过基础运行积累的大数据结合深度学习算法提高机电系统运行效率,合理设计日常保养策略,完成及时的故障预警、保养提醒,实现智能运营。

解决问题:设备工况运行调控依赖人工,运行效率不高、由于运维专业水平不齐,导致能源浪费、无法及时根据外界环境变化来调整系统输出,楼宇内用户体验不好。

实现细节:数字化改造暖通侧设备,进行设备状态和关键点位数据采集和标准化、结合设备效率公式以及高效率为输出结果对监控时序数据建模、根据最进行模型建设和训练,最终得到最合适系统输出指标。

商业价值:目标楼宇日均节电20%+、年节电约100万度、节约电费30%+与时间成本,有效提升楼宇运营效率。

3、智慧零售——生鲜进货量智能预测

解决问题:生鲜产品保质期极短,需要丰富进货经验才能降低货物过期报损率、店长经验参差不齐无法保证全部店铺的进货量准确性、销量预估花费店长大量时间成本。

商业价值:比对历史销售数据,模型预测比店长预测更为准确、整体报损降低30%+、模型进货净利润较店长进货提升20%。

实现细节:利用商超生鲜的历史销售数据,提取出多个影响销量的条件、使用DNN神经网络建立销量预测模型、使用到包括位置、时段、节假日、天气等70个维度,200+特征。

4、智慧城市——AI控烟

在2018年世界无烟日,百度科技园发起AI控烟公益项目,由百度工程师用PaddlePaddle的目标检测模型成功识别下沉广场的吸烟者吸烟者,并通过由Robin在广场大屏幕给吸烟者实时发送健康提示。该项目基于百度PaddlePaddle开源平台的深度学习能力,对数万张吸烟动作图片进行了43次深度学习模型训练,可实现对吸烟动作的识别,通过视频监控的数据从人群中识别出正在吸烟的人,将其图像提取并标注保存。

5、智慧农林——AI识虫

由北京林业大学研发的面向信息素诱捕器的智能虫情监测系统,研究对象是红脂大小蠹。红脂大小蠹是危害超过35种松科植物的蛀干害虫。1998年在我国山西省首次发现该虫后,危害面积迅速扩大。2004年红脂大小蠹扩散到陕西、河北、河南多个地区,发生面积超过52.7万平方公里,枯死松树达600多万株。2005年扩散到北京市门头沟区。红脂大小蠹自入侵以来,给我国林业经济带来巨大损失。

这套检测系统的应用大幅降低虫情监测的人力成本,原本研究院一周的观察时间,PaddlePaddle 30分钟便可完成,能够实时对虫情状态进行监测和分析。

6、智慧农林——桃子分拣

智能桃子分拣机集成了图像分类模型,并利用机械完成桃子分拣自动化。有效提升桃子分类拣出的准确率及工作效率,节省大量桃农工作人力。

解决问题:桃子采摘后需要根据其品质进行筛选,这项工作主要靠人工完成人工筛选质量无法得到保证、耗费大量人工和时间成本。

商业价值:智能桃子分拣机可以为桃农节省雇人、组织工作等环节的时间精力;提升桃子分拣准确率至90%以上;节省90%人力成本,每年为桃农直接节省3万元。

实现细节:人工进行桃子分类,获取训练样本数据、使用深度学习图像分类模型,进行桃子智能分类模型训练、机械自动化采集样本数据,将模型训练总时长从3个月缩短至6小时。

7、精密零件智能质检机

在外观检测传统机器学习时代,主要依赖特征工程建模,不同零件,不同问题都需要研发人员单独编写代码进行识别,不仅工作量大,而且精度低,适应性很差,所以企业通常只能选择少数特定的零件类别,进行深入的研究和建模,才有可能实现机器检测,但使用深度学习技术,识别模型的适应性极大提升,对于不同的零件,只需要提供标注好的样本数据,即可快速完成一个新零件或者新缺陷的识别模型开发,是一个能很好体现百度AI技术对中国社会和企业带来积极影响的案例。



资质与案例

暂无内容,请等待更新

使用指南

暂无内容,请等待更新

售后支持范围

暂无内容,请等待更新

4000116555转分机号8002

(工作日8:30-19:00)

cloudmarketplace@inspur.com

相关推荐

我可以为您提供哪些帮助?

数据定制

x
*数据需求
*联系电话
联系邮箱
*验证码
取消
成功定制数据 ×
您的定制数据信息已成功提交,如果您留下了联系方式我们会尽快与您联系
返回