PaddlePaddle

百度正式发布PaddlePaddle深度强化学习框架PARL 近日，百度 PaddlePaddle 正式发布了深度强化学习框架 PARL，同时开源了基于该框架的、在 NeurIPS 2018 强化学习赛事中夺冠的模型完整训练代码。 项目地址如下：https://github.com/PaddlePaddle/PARL PARL 框架的名字来源于 PA ddlepaddle R einfocement L earning，是一款基于百度 PaddlePaddle 打造的深度强化学习框架。PARL 与现有强化学习工具和平台相比，具有更高的可扩展性、可复现性和可复用性，支持大规模并行和稀疏特征，能够快速 对工业级应用案例的验证。 为了帮助用户快速搭建可以和环境交互的机器人，PARL 抽象出数个基础类，包括 Model、Algorithm、Agent 等。 Model 类负责强化学习算法中的网络前向计算（forward）部分，通常嵌套在 Algorithm 类中。 Algorithm 类则定义了网络的更新机制（backward），通常属于一个 Agent。 Agent 类负责和环境进行交互，负责数据 I/O，并且收集数据训练集下的 algorithm。 通过这样的设计方案，PARL 保证了算法的可扩展性：针对同一个场景，用户想调研不同的网络结构对算法效果影响的时候，比如调研 RNN

NLP (Natural Language Processing)自然语言处理是人工智能的一个子领域，它是能够让人类与智能机器进行沟通交流的重要技术手段，同时也是人工智能中最为困难的问题之一。因此，NLP的研究处处充满魅力和挑战，也因此被称为人工智能“皇冠上的明珠”。 目前各家主流深度学习框架，都开放了相应的 NLP 算法模型。其中，百度 PaddlePaddle 基于自身技术优势，在中文NLP领域提供丰富官方模型，全方位满足各种NLP任务需求。 1 月 20 日下午 ，第二期百度深度学习开发者·技术公开课在百度大脑创新体验中心开课。百度资深研发工程师为现场的开发者们介绍了 PaddlePaddle 在 NLP 方向开源模型及技术实践，Google 机器学习开发者专家和高级算法专家孔晓泉则讲述了基于 PaddlePaddle 的中文分词引擎应用案例。 中文分词小试牛刀，100行代码的分词引擎实践 与大部分西方语言不同，书面汉语的词语之间没有明显的空格标记，句子是以字符串的形式出现，因此对中文进行处理的第一步就是进行自动分词，即将字符串转变成词语串，这也是处理中文的语义分析、文本分类、信息检索、机器翻译、机器问答等问题的基础。如果分词效果不好，很有可能会对后续的任务造成严重的影响。 谷歌机器学习开发者专家和高级算法专家孔晓泉，为大家分享了轻量级中文分词引擎——PaddlePaddle

11 月 5 日，在 Wave Summit+2019 深度学习开发者峰会上，飞桨全新发布和重要升级了最新的 21 项进展，在深度学习开发者社区引起了巨大的反响。 很多未到场的开发者觉得遗憾，希望可以了解飞桨发布会背后的更多技术细节，因此我们特别策划了一个系列稿件，分别从核心框架、基础模型库、端到端开发套件、工具组件和服务平台五个层面分别详细解读飞桨的核心技术与最新进展，敬请关注。 今天给大家带来的是系列文章之飞桨的端到端开发套件解读。 飞桨全新发布包含语义理解（ERNIE），目标检测（PaddleDetection），图像分割（PaddleSeg）和点击率预估（ElasticCTR）四大端到端开发套件，旨在通过模块化的设计和端到端的体验，满足企业低成本开发和快速集成需求。核心内容3503字，预计阅读时间4分钟。 1. 端到端开发套件的初心 飞桨发布端到端开发套件的初心，是为了更好满足开发者的低开发成本、快速集成需求而来的。开发者的时间、人力非常宝贵，效率提升非常重要。为了要解放开发者劳动力，降低开发的成本，同时能够快速的集成和部署，飞桨推出了端到端开发套件。 端到端开发套件具有以下三个通用特点：一是满足真正的工业场景中性能要求，保持性能领先；二是开发简单易用，高效解决问题；三是打通端到端流程，落地高效易部署。 对于端到端体验的流程中，数据处理也是非常重要的环节