目 录
飞桨PaddlePaddle是百度自主研发的开源深度学习框架。飞桨PaddlePaddle是集深度学习核心框架、工具组件和服务平台于一体的技术领先、功能完备的开源深度学习平台，拥有活跃的开发者社区。
作为领先的核心框架，飞桨PaddlePaddle具备简单、易用、高效、安全的特点，能满足模型开发、训练、部署的全流程需求。
飞桨PaddlePaddle拥有丰富的工具组件。飞桨PaddlePaddle开放了PaddleHub、PARL、AutoDL Design、VisualDL等一系列深度学习工具组件。
飞桨PaddlePaddle具备专业的服务平台——AI Studio和EasyDL，可以满足不同层次的深度学习开发的需求。
图1-1展示了飞桨PaddlePaddle的生态结构。
图1-1
PaddlePaddle源于业界顶尖实践，拥有强大的超大规模并行深度学习处理能力，它具备4大工业级特点。
提供高性价比的多机GPU参数服务器训练方法。
全面支持大规模异构计算集群。
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、数百个节点的高效并行训练。
PaddlePaddle在速度上追求极致的体验，推出了全流程、全类型的高性能部署和集成方案，在计算性能与易用性上具备3大特性。
支持千亿规模参数、数百个节点的高效并行训练。
提供性能全面领先的底层加速库和推理引擎——Paddle Mobile和Paddle Serving。
通过两行Python代码就可调用的自动化模型压缩库PaddleSlim。
迁移学习（Transfer Learning）是深度学习的一个子研究领域，其目标在于利用数据、任务或模型之间的相似性，将在旧领域学习过的知识，迁移和应用到新领域中。迁移学习吸引了很多研究者投身其中，因为它能够很好地解决深度学习中的以下几个问题。
一些研究领域只有少量标注数据，且数据标注成本较高，不足以训练一个足够鲁棒的神经网络。
大规模神经网络的训练依赖于大量的计算资源，这对于一般用户而言难以实现。
适应于普适化需求的模型，在特定应用上表现不尽如人意。
PaddleHub是基于飞桨PaddlePaddle开发的预训练模型管理工具，目前的预训练模型覆盖了图像分类、目标检测、词法分析、Transformer、情感分析五大类别。PaddleHub通过命令行工具，可以方便快捷地完成模型的搜索、下载、安装、预测等功能。PaddleHub提供了基于PaddlePaddle 实现的Finetune API，重点针对大规模预训练模型的 Finetune 任务做了高阶的抽象，让预训练模型能更好地服务于用户特定场景，如图1-2所示。通过大规模预训练模型结合Finetune API，可以在更短的时间完成模型的收敛，同时具备更好的泛化能力。通过命令行接口，用户可以便捷地获取PaddlePaddle 生态下的预训练模型。PaddleHub引入了“模型即软件”的理念，无须编写代码，命令行一键完成预训练模型预测；借助PaddleHub Finetune API，使用少量代码就可以完成迁移学习。
图1-2
作为AI技术发展的重要分支，除了应用于模拟器和游戏领域之外，强化学习在工业领域也取得了长足的进步。强化学习的主要思想是基于智能体（agen-t）和环境（environment）的交互学习，其中机器人通过动作影响环境，环境返回一个回馈和当前环境下的状态，整个交互过程是一个马尔可夫决策过程。在交互学习的过程中，没有人的示范，而是让机器自主去做一个动作，让机器拥有自我学习和自我思考的能力。强化学习能够解决有监督学习方法无法解决的很多问题。