2023年Paddle發展的怎麼樣了？

1樓：芒果不喝汽水

有待加強吧，個人體會最大的一點就是它的模型需要在特定的版本下才能正常使用。還有官方給的映象pull不下來。另外一點既然更新到了2.

0版本，paddle_lite卻不支援動態模型部署，真是煩人。總結一下，就是非常雜亂，各個版本互不相容。

2樓：stunback

以前:用啥paddlepaddle啊，tf keras pytorch不香嗎?

現在:哎呀免費的V100算力卡真香，Baidu yes！

真正上手沒有想象中的麻煩，甚至感覺和pytorch有點類似，學習成本和免費算力比起來壓根不算事兒

3樓：liuyi

利益相關，負責飛槳影象分割庫PaddleSeg

2023年的Paddle，和Tensorflow，PyTorch等框架的差距會明顯減小。大家吐槽的文件方面，團隊也正在花大力氣公升級。2023年，基於Paddle的企業級的開發工具庫數量越來越多，內容越來越豐富，加入Paddle生態社群的使用者越來越多。

PaddlePaddle/PaddleSeg

4樓：雪花飄滿地

現在2.0.0版本 paddle 支援動態模型雖然有點晚，還是很欣慰

畢竟靜態模型框架學習成本有點大

模型效能方面，有些會比官方發布的模型有改進提公升，缺點是影象方面的不是很多

補丁： paddle 和 pytorch 模型引數支援相互載入，能把 pytorch 的模型很容易改過來，實現部署

優勢，機會：paddle 落地部署的案列倒是挺多的，或許是這塊做的好，那

動態模型 + 補丁 + 容易部署 = 起飛

5樓：raycas

和題主所在公司一樣，我們公司也是小公司，做了一些基於深度學習的工業缺陷檢測的專案，其中用到的框架就有Paddle。Paddle框架好不好用，文件多不多，這個因人而異，起碼目前對我們使用來說，是沒有什麼問題的，即使之前遇到了問題，也在提出issue後，官方給出了解決方案。

對於乙個深度學習從業者來說，熟悉tf、pytorch、Paddle，應該不是什麼難題，那麼在公司的專案應用中，如何選擇乙個框架進行開發呢？我只提出我個人的觀點。通常我會比較看重兩點，乙個是效果（召回和精度），另乙個是易於部署，且推理引擎的效率要高。

首先談效果問題。正如題主所說，小公司，小團隊，從隨機初始化去訓練乙個模型，由於計算資源和調參經驗的缺乏，要取得好的效果是比較困難的。所以乙個好的預訓練權重顯的尤為重要。

Paddle維護的幾個專案，paddledetection, paddlecls, paddleseg, paddleorc，裡面有很多不錯的預訓練模型，能夠很好的遷移到自己的資料上，同時取得不錯的實際效果。

其次談部署和推理效率問題。paddle的推理引擎可以支援很多平台和晶元，paddle框架訓練出來的模型可以直接在上面跑，所以paddle的部署還是很方便的。在推理效率方面，paddle的推理效率，相對於移動端的ncnn和nvidia的tensorrt,稍微差些，但是足夠應付大多的應用場景。

而且paddle的一些專案，將模型的減枝、蒸餾整合進去，可以大大提高模型的效率。

paddle的很多專案都是官方維護，資源比較集中，個人感覺對工業應用這一塊支援的比較好。現在paddle 2.0對動態圖這一塊也有了很好的支援，所以如果想對模型進行魔改的話，也變得更加方便。

最後，希望中國產框架paddle能夠越來越好。

6樓：周軍

利益相關

框架方面

目前來說，和torch還有差距，但是差距也在肉眼可見的縮小。paddle算是國內發展比較好的框架了，就我自己的使用而言，使用過程還算順暢。

亮點值得一提的是paddle官方開源和維護的各種套件Paddle開源的套件包含各個場景(如OCR，detection, seg,gan)並且支援各種各樣的部署方式，如hubserving, 手機端部署，可謂是保姆級呵護，這些將來會成為paddle的護城河之一。

順手宣傳一下維護的repo

7樓：ygtrece

和pytorch，tf對比，使用的便捷性，社群，文件，普及度相對於確實弱了一些，效能會相對好點。

但發展肯定是變好了。

1 華為事件，讓國家意識到了技術創新的重要性，paddle作為中國產的深度學習框架，內部訊息，國家成立了乙個重點的專案，扶持paddle的發展，避免有一天在科技上再被卡脖子。