百度飞桨弯道超车了吗？！

事情是这样的...

前不久，小夕注意到了一份来自权威评测机构IDC发布的《2020年下半年深度学习平台市场份额报告》：

▲IDC:2020年中国深度学习平台市场综合份额top 5

立刻惊了！印象里百度飞桨三年前还只是一个低调、小而美的深度学习框架，如今咋一跃成为中国市场份额第二的深度学习平台了呢？？

2019年排在第三：

▲IDC:2019年中国深度学习平台市场综合份额top 6

当时的小夕一度觉得前面的Tensorflow和Pytorch两座大山虽然各有利弊，但也都着实能打，一时半会很难有第三者插足两者的竞争。

万万没想到的是，仅仅一年的时间，百度飞桨就超越了Facebook成为市场份额第二的深度学习平台，这简直比当年Pytorch吞食Tensorflow的市场份额还要疯狂。

回想一下，Pytorch当年为什么能在短时间内迅速从Tensorflow口中夺食并与之分庭抗礼？

一种流行的说法是“因为Pytorch选对了动态图，在易用性上强刺了Tensorflow一刀。”

小夕倒觉得这仅仅是表面。听起来Pytorch的成功有很大运气成分，但“选对了动态图”、“API简洁好用”、“debug真舒服”的背后，围绕的关键词都是“门槛”，或者往大的方面讲，叫“用户体验”。

ps: 真的不要以为程序员一个个都是追求“黑框”、“复古”，有受虐倾向的“极客”。在深度学习平台产品问题上，请把他们定义为“用户”。

追求极致的用户体验和无限下沉的使用门槛，放在任何一个产品里都是不过时的，深度学习平台也是一样。

那百度飞桨又是做对了什么？

“多机多卡训练简直不要太好用！”
“部署太容易了~”
“能训超大规模模型。。。”
“超多免费课程、直播、教程、文档资料...”
“难以想象深度学习可以不写代码...”
“从AI想法到实际应用的最快速度，没有之一”
...

与前面Pytorch一样，这些表象的背后，依然紧紧围绕着“门槛下沉”、“用户体验”。单独的每一点都不足以支撑百度飞桨弯道超车，但这些点连成线、铺成面后，所制造的能量远远不低于Pytorch凭借动态图带来的用户体验革新。

用一句话说，Pytorch和飞桨都革新了用户体验，前者靠的是动态图一针见血，后者则是全产品线围绕用户体验全面革新。

贴一张飞桨的全景图：

关注小屋的大都是专业的AI开发者，飞桨在大家的印象里就是个深度学习框架。实际上，飞桨如今已经构建起了自己的产品全景图，相比Pytorch而言，飞桨已经将门槛从专业的AI开发者下沉到了业余从业者、普通的AI爱好者、甚至中小学生群体！

对这些群体而言，即使是动态图功成名就的Pytorch，对他们来说也用起来太痛苦、门槛太高了。可以说，从pip install pytorch到看得见摸得着的AI应用，也就差了一本高数教材、一门线性代数、一门概率统计、一门数据结构与算法、一门python和一门C++、一门机器学习、一门优化理论、一门深度学习、一个3天入门计算机视觉和72小时入门自然语言处理的培训班了。

让飞桨完成这一轮用户体验革新的，首先是一个全新蜕变的 high-level 深度学习框架。飞桨框架不仅面向专业开发者，而且还囊括了大众使用者，这背后离不开其中的high-level设计理念。此外，CV、NLP模型库，端到端的开发套件，企业版AI开发平台以及今年5月20号新发布的框架V2.1版“动静统一”特性，多端多平台推理部署工具链等，均围绕用户体验展开升级，这也成为了飞桨份额在国内一举超越的关键点。

high-level的深度学习框架

实现强化学习？实现多任务学习？实现神经架构搜索？联邦学习？图神经网络？

每一项深度学习前沿、热门话题若使用深度学习框架的底层算子实现，均有极其庞大的代码量，且很容易出错，从头手撸对绝大多数开发者而言很不现实，只能到处复制粘贴啃开源磨原理。

哪怕是Tensorflow中内置Keras这种操作，也仅仅是将op的操作粒度提升至layer level，对于诸如强化学习这种较为复杂的上层应用，一般不得不去借助第三方high-level框架。

然而，对飞桨用户来说，哪怕是初级的AI开发者，甚至是业余的AI爱好者，都可以轻松玩遍这些热门话题！靠的就是一套基于飞桨框架封装而成的high-level框架，或者说一套工具组件。

比如神经架构搜索有AutoDL、强化学习有PARL、多任务学习有PALM、联邦学习有PaddleFL、图神经网络有PGL...甚至还有听名字就很高大上的量子机器学习框架Paddle Quantum和生物计算框架PaddleHelix！

而在深度学习热门应用的计算机视觉、NLP等方面更是有官方开源的模型库和端到端的开发套件，High-level的开发模式体验过后就再也回不去加减乘除矩阵计算了！

还能更上一层？

除了深度学习框架自身的蜕变外，还有更加high-level、在非专业开发者群体中耳熟能详的名字——EasyDL，以及全面刷新AI算法工程师开发体验的 BML 。

EasyDL

EasyDL可以看作是真正零门槛的深度学习high-level开发平台，无论是传统行业的企业用户、非科班出身的AI爱好者乃至无编程经验的中学生，都能通过EasyDL平台体验到将想法变成AI应用的顺畅感。

在EasyDL里，只要通过拖拽页面、鼠标点击、上传少量数据，就能快速定制一个深度学习模型。支持图像分类、物体检测、图像分割、文本分类、文本匹配、情感分析、实体抽取、语音识别等各类计算机视觉、自然语言处理和语音处理领域经典任务，如图所示：

在最繁琐的数据处理环节，EasyDL内置了智能数据服务EasyData，不仅在业界首个开放软硬一体端云采集方案，还支持智能标注与多人标注双管齐下，标注效率提升80%，并且在训练过程还支持自动数据增强，助力模型效果进一步提升。

而在模型设计、训练、评估等过程，完全无需代码，可以直接在网页中配置模型训练相关信息：

训练完成后，更是可以直接将模型“一键”部署到云端，获取云端调用的服务接口，或者打包为适配多种智能设备终端的离线SDK，让你训练的模型变成看得见摸得着的实际应用。

详细流程这里就不展开讲啦，感兴趣的小伙伴可以参考链接进行实践：
https://ai.baidu.com/ai-doc/EASYDL/3kccwnvy6

在飞桨的全景图中，与EasyDL类似的high-level的平台还有 BML全功能AI开发平台 。

BML

如果说EasyDL是为了把门槛降低到0，那么BML就是把门槛稍作提升的同时，大大提升操作的专业度、灵活性和功能的丰富度。前者可以类比为windows自带的画图工具，而后者则可以认为是Photoshop这种更为专业的开发工具。而无论EasyDL还是BML，都为开发者屏蔽了大量的深度学习框架层的技术细节，使得开发者可以更加专注在AI应用的开发，而不是繁琐的代码和底层原理细节里。

如图所示，BML与云端打通，可以按需使用云端计算资源，体验多机多卡分布式训练的快感。而在模型开发最为繁重的数据处理环节，BML同样内置了EasyData，极大的提升了数据处理与标注的效率，间接提升模型效果。

在最关乎应用效果的模型方面，BML则预置了百度超大规模视觉预训练模型、NLP预训练模型ERNIE 和若干帮助模型效果提升的微调技巧，同步支持PaddlePaddle、Tensorflow、Pytorch进行模型自定义。为了帮助专业开发者进行更好的二次开发和专业定制，BML还提供了全面超越原生Jupyter Notebook的云端开发环境。模型训练ready后，更是支持云服务部署、多平台多语言的本地服务器部署、设备端SDK部署等，打通模型到应用落地的最后一公里。

当然了，进阶一些的开发者也有模型定制化和深入理解的需求，BML中可以直接可视化到模型的网络结构，看到模型属性、节点信息、节点输入输出等专业信息。可以说将门槛下降到了极致的同时，还保留了专业性和灵活性。

▲BML中，一键可视化模型网络结构

这里给出BML的实践传送门，感兴趣的小伙伴可以自行体验：
https://ai.baidu.com/ai-doc/BML/Zkorya4bd

总之，BML与EasyDL一起满足着不同用户的需要，让深度学习不再是科班出身硕士博士的专利，成功打破壁垒，让深度学习、人工智能真正走进大众视野。深度学习框架层面，更是打破了专业开发的天花板，使得强化学习、多任务学习乃至前沿的量子计算、生物计算以一种high-level的方式展现给专业的开发者，使得复杂技术的研发也从此变得容易，使得专业开发者也能在不牺牲专业性和开发灵活性的同时，节约大量的开发成本。

在不久前的WAVE SUMMIT2021上，飞桨发布开源框架V2.1，包含了一系列的新发布和升级。

比如说升级了自定义算子功能，封装更简洁、训练和推理全打通、一键编译、安装并生成算子API，这些都让开发者能更专注于算子计算的本质，减少编写自定义算子的精力。分布式训练方面，发布大规模图检索引擎，能支持万亿边的图存储和检索。模型套件方面，文心ERNIE新开源发布 4大预训练模型，不光能理解语言，还可以理解图像，实现统一的跨模态语义理解。另外就是在部署上，提供了全面的推理部署工具链，还将百度自身 AI 技术的实践经验，做成了一张推理部署导航图供人参考，涵盖了 300 多条经过充分验证的部署通路！实打实的帮开发者打通AI应用的“最后一公里”。

开发上便捷灵活+应用上普适多元，飞桨一步步创造领先同行的深度学习开源能力。飞桨这一波弯道超车，可以说下足了功夫，为下一代深度学习平台打开了新的窗户。期待它登顶的那一天！