首页 > IT资讯 > 正文

Paddle Fluid v1.2 Release Note 深度学习框架重磅更新

各位关注PaddlePaddle的深度学习开发者, Fluid v1.2 版本今日闪亮登场啦!本次版本百度做了超多重磅更新!

本次版本的主要更新简介:

1. 新增支持Windows下CPU环境执行,并提供windows版PIP安装包。

2. 新增300个API Reference中文文档,13篇API使用指南 ,优化77个API Reference英文文档。

3. 新增对python3.6、python3.7的支持。

4. CV图像分类任务发布MobileNet V1, ResNet101, ResNet152,VGG11预训练模型。

5. 分布式训练下增加稀疏通信机制,参数的总量可以压缩到1%以下,在搜索真实场景的数据下,整体训练吞吐可以提升50倍。

6. 服务器端GPU环境下支持图融合技术,且支持与TensorRT引擎混合改图,在Resnet50和Googlenet等图像通用模型上bs=1下性能提升 50%~100% ,GoogleNet 8bit加速14%。


下面是更新细节,文章会从基础框架、预测引擎、移动端预测、模型建设、分布式训练、文档6个方面给大家介绍,约1500字,会花费4分钟阅读时间。

【基础框架】

  安装

  提供新pip安装包,支持Windows下CPU执行。

  编程语言

  新增对python3.6、python3.7的支持。

  重构内存分配模块Allocator,提升CPU下内存分配策略,提升显存利用率(默认关闭,需要使用FLAGS_allocator_strategy)。

  限制SelectedRows的使用。修复了稀疏正则和稀疏优化器的bug。

  Tensor支持DLPack,方便被其他框架集成和集成其他训练框架。

  OP

  修复 expand op shape 推理错误的bug。

  支持 Selu 激活函数。

 

【预测引擎】

  服务器预测

  GPU 支持图融合,且支持和 TensorRT引擎混合改图,在Resnet50和Googlenet等图像通用模型上bs=1下性能提升 50%~100%。

  GPU支持DDPG Deep Explore预测。

  Paddle-TRT对更多模型的支持,其中包括Resnet, SE-Resnet, DPN,GoogleNet。

  CPU, GPU, TensorRT 等加速引擎合并入 AnalysisPredictor,统一由 AnalysisConfig 控制。

  增加调用多线程数学库的接口。

  新增TensorRT plugin的支持,包括split operator, prelu operator, avg_pool operator, elementwise_mul operator。

  增加了JIT CPU Kernel,支持基本的向量操作,以及常见的算法包括ReLU,LSTM和GRU的部分实现,可以实现在AVX和AVX2指令集之间自动runtime切换。

  优化CRF decoding和LayerNorm在AVX以及AVX2指令集上的实现。

  修复了 AnalysisPredictor 在GPU,在CPU 到 GPU 的 transfer data 不删除的问题。

  修复了 Variable 中包含 container 内存持续增长的问题。

  修复fc_op不支持3-D Tensor的问题。

  修复了Analysis predictor 在GPU下执行pass时的问题。

  修复了TensorRT下运行GoogleNet的问题。

  预测性能提升

  Max Sequence pool optimization,单op提高10%。

  Softmax operator 优化,单op提升14%。

  Layer Norm operator优化,支持avx2指令集,单op提升5倍。

  Stack operator 优化,单op提升3.6倍。

  增加depthwise_conv_mkldnn_pass,加速MobileNet预测。

  加速analysis模式的图分析时间,提升70倍。

  DAM开源模型,提升118.8%。

  移动端预测

  实现winograd算法, GoogleNet v1性能大幅提升35%。

  GoogleNet 8bit优化,相比float加速14%。

  MobileNet v1 8bit支持,相比float加速20%。

  MobileNet v2 8bit支持,相比float加速19%。

  FPGA V1 开发了Deconv算子。

  android gpu支持MobileNet、MobileNetSSD、GoogleNet、SqueezeNet、YOLO、ResNet等主流的网络模型。

 

【模型建设】

  CV图像分类任务发布MobileNet V1, ResNet101, ResNet152,VGG11预训练模型。

  CV Metric Learning模型新增arcmargin损失,并调整训练方式,采用element-wise作为预训练模型,pair-wise继续微调的训练方式提升精度。

  NLP语言模型任务新增基于cudnn的LSTM实现,对比PaddingRNN的实现方式,在不同参数配置下速度提升3~5倍。

  增加分布式word2vec模型,包括新增的tree-based softmax operator,negative sampling等,与经典word2vec算法对齐。

  新增GRU4Rec、Tag-Space算法的分布式配置。

  完善Multi-view Simnet模型,并增加inference配置。

  支持强化学习算法 DQN。

  现已支持python3.5及以上的模型:语义匹配DAM,阅读理解BiDAF,机器翻译Transformer,语言模型,强化学习DQN、DoubleDQN模型、DuelingDQN模型,视频分类TSN,度量学习Metric Learning,场景文字识别CRNN-CTC 、OCR Attention,生成式对抗网络ConditionalGAN 、DCGAN、CycleGAN,语义分割ICNET、DeepLab v3+,目标检测Faster-RCNN、MobileNet-SSD 、PyramidBox ,图像分类SE-ResNeXt、ResNet等,个性化推荐TagSpace、GRU4Rec、SequenceSemanticRetrieval、DeepCTR、Multiview-Simnet。

 

【分布式训练】

  CPU多机异步训练

  worker异步并发:增加AsyncExecutor,以训练文件作为执行粒度,支持分布式训练中的worker端计算异步无锁计算,同时支持单机训练。以CTR任务为例,单机训练速度,在充分利用单机线程的情况下,整体吞吐提升14倍。

  IO优化:增加支持AsyncExecutor的DataFeed,支持可定制化的通用分类任务格式。面向CTR任务,增加CTRReader,使数据读取速度线性提升,在PaddleRec/ctr任务中,整体吞吐提升1倍。

  通信优化:针对稀疏访问的Dense参数例如Embedding,增加稀疏通信机制,以语义匹配任务为例,获取参数的总量可以压缩到1%以下,在搜索真实场景的数据下,整体训练吞吐可以提升50倍。

  GPU多机同步训练

  修复Transformer、Bert模型下P2P训练模式会Hang住的问题。

 

【文档】

  API

  新增13篇API使用指南。

  新增300个API Reference中文文档。

  优化77个API Reference英文文档:包括代码示例、参数说明等。

  安装文档

  新增python3.6、python3.7安装说明。

  新增windows pip install安装说明。

  Book文档

  Book文档中的代码示例更改为Low level API。

  使用文档

  新增《Operator相关注意事项》,更新《保存与载入模型变量》、《C++预测API介绍》、《使用TensorRT库预测》、《如何贡献代码》等多篇使用文档。


上一篇:百度开源情感分析Senta,让你更懂用户
下一篇:震惊!PaddlePaddle竟然支持Python 3.7了!

PythonTab微信公众号:

Python技术交流互助群 ( 请勿加多个群 ):

群1: 87464755

群2: 333646237

群3: 318130924

群4: 385100854