导读：飞桨（PaddlePaddle）致力于让深度学习技术的创新与应用更简单。为了让更多的开发者了解飞桨的最近技术进展，特别组织了系列技术稿件，视频来源于WaveSummit秋季深度学习开发者峰会上的技术公开课。
本期是由百度飞桨主任架构师为大家带来飞桨编程指南和特性解读，敬请观看。
Thisisamodalwindow.
Themediacouldnotbeloaded,eitherbecausetheserverornetworkfailedorbecausetheformatisnotsupported.
视频关键知识点Notes：
01编程指南
飞桨核心框架整体分为五个部分：模型组网、模型表达与优化、模型训练、以及服务器和移动端的预测部署。飞桨1.6版本，在服务器端增加了C语言的API，同时加强了与模型压缩PaddleSlim、端侧推理引擎PaddleLite的配合。
1.1编程接口API
飞桨在Python层能够调用的API超过一千个。主要分为两类。一类是框架类API，另一类是组网类API。框架类API用来定义执行过程，包括执行器、模型的存取、分布式计算这些整体训练流程的控制API。而组网类的API里面包含重要的基础数据结构、算子、网络层等。
1.2网络结构Program
在飞桨的整个开发过程当中，用Program表示整个网络结构，一个Program里面会包含很多的Block，代表了写程序时的控制流程。Block内部有两类重要的东西，一类就是数据，另一类就是计算。通常所谓的Tensor数据，飞桨统一用Variable来表示，包括各种数据类型。而在Layer里则是各种计算。
02新特性与升级
2.1基础API升级
飞桨在1.6版本升级了很多类型和序列的检查，在一些常用的OP上增加了Tensor输入。在过去飞桨的版本里面，很多OP需要输入一个定义好的数据，这样在组某些网络结构会不够灵活。通过支持Python的输入，现在可以实时计算拿到Python的维度。
2.2面向对象式API
在原生飞桨的API里更多采用了函数制的API，缺点是在定义一层复杂网络后，想要访问变得非常困难。针对这样的问题，飞桨1.6进一步升级了面向对象式的API，Layer可以通过面向对象的方式实现。先做成员的定义，再做成员函数调用，更容易控制中间成员的变量。
2.3动态执行模式
动态执行模式和静态执行模式的组网过程完全相同。区别是需要做整个数据变量的定义，可以实时的拿到数据，有极高的可调试性。
2.4数据异步读取API
飞桨1.6版本之前，数据读取主要采用异步读取PyReader，把计算和数据的IO折叠起来，充分的利用性能。虽然效率比较高，但会调用整个Program，对整个网络结构产生变化。飞桨1.6中增加了DataLoader接口，数据的异步读取而不会改变网络结构，既高效又保证了易用性。
2.5Seq2SeqAPI
在旧版本的飞桨里面，使用标准结构如LSTM、GRU是非常简单的，调用API就可以了。但若想要自定义非标准的结构就会有点困难。在新版本里面，飞桨做了RNNCell的封装，定义了单步计算的过程，可以参考其写出自定义的网络结构，比如加上attention等其他的操作、变换。通过调用RNN循环，得到了整个循环网络的结构。
2.6自定义PythonAPI
飞桨1.6可以自定义的OP，加入到Program里面，作为正常的OP使用。
2.7自定义C++Operator
对于部署到其他的生态环境的场景，飞桨也有C语言自定义C++OP的方式。
2.8预测API
在一些生产环境里面，比如像Java或PHP，实际上调用C++会比较麻烦。飞桨1.6增加了一套C语言的API，可以很容易的将接口集成到Java里面，实现快速的部署。
进入网盘获取视频中的PPT，链接：