新智元启动新一轮大招聘：COO、执行总编、主编、高级编译、主笔、运营总监、客户经理、咨询总监、行政助理等 9 大岗位全面开放。

　　简历投递：j[email protected] HR 微信：13552313024

　　新智元为COO和执行总编提供最高超百万的年薪激励；为骨干员工提供最完整的培训体系、高于业界平均水平的工资和奖金。加盟新智元，与人工智能业界领袖携手改变世界。

　　【新智元导读】 本文来自百度PaddlePaddle团队成员骆涛，他在文章中介绍了百度深度学习开源框架Paddlepaddle新推出的API，它们能更好地支持分布式作业，有效减少程序代码量，提供包括reader、reader-creator和reader-decorator的组合式概念，使数据操作可以反复起效。同时推出的还有新书《深度学习入门教程》，文内附免费获取地址。

　　PaddlePaddle是百度于2016年9月开源的一款分布式深度学习平台，为百度内部多项产品提供深度学习算法支持。为了使PaddlePaddle更加易用，我们已经做了一系列的工作，包括使用Kubernetes集群管理系统来进行部署与运行。

　　今天，我们很高兴地发布新API的Alpha版0.10.0rc1，以及《深度学习入门教程》。目前教程包括八个示例程序，均可以在Jupyter Notebook上运行，即用户可以通过网页浏览文档并运行程序。

　　使用新API，PaddlePaddle的程序代码将大幅缩短。下图对比展示了一个卷积神经网络在旧API（图左半边）和新API（图右半边）的效果。

　　新API能达到如此显著的代码简化效果，有以下三个关键的设计思想。

　　一个新的概念模型

　　我们的设计原则是：让用户在神经网络中表达和解决实际的问题，并用更加灵活的方式来描述新的深度学习算法。因此，直播，新模型包含以下几部分概念：

模型（model）是一个或多个拓扑结构的组合。

拓扑结构（topology）是一系列层的表达式。

层（layer）可以是任何类型的计算函数，包括损失（cost）函数。

有些层有梯度参数，有些层没有，大多数损失函数没有参数。

在一些拓扑结构中，层与层之间共享参数。

对于多个拓扑结构间存在参数共享的情况，PaddlePaddle能自动找出并创建这些参数。

　　下面，通过两个例子来展示我们的一些设计思想。

　　层与层之间共享参数

　　假设我们要学习一个文本词向量f，训练样本是“对查询Q来说，搜索结果A比B更准确”，任务目标是：sim(f(A), f(Q)) > sim(f(B), f(Q))，也就是f(A)和f(Q)的相似度，大于f(B)和f(Q)的相似度。为了学习f，我们构建了一个三分支的网络结构：

　　这里的模型实际上是x -> f，但我们需要重复三次来学习f，以下伪代码展示了如何构建这样一个模型：

　　拓扑结构之间共享参数

　　假设GAN模型包含两个拓扑结构d0和d1，d0和d1之间共享了参数。因此在训练过程中，更新一个拓扑结构的参数时可能需要同时更新另一个。如果使用旧API，用户将不得不访问非常底层的API，这部分API接口通常相对晦涩，且文档不全。而使用新API，GAN模型仅需几十行即可，伪代码如下：

　　可组合的数据加载模块

　　在工业届的AI应用中，数据加载部分通常需要大量的源代码。为了减轻用户的这部分工作量，新API的数据接口设计包含几个部分：

reader：从本地、网络、分布式文件系统等读取数据，也可随机生成数据，并返回一个或多个数据项。

reader creator：一个返回reader的函数。

reader decorator：装饰器，可组合一个或多个reader。

batch reader：与reader类似，但可批量返回一个或多个数据项。

　　下面展示了一个随机生成数据，并返回单个数据项的reader creator函数：