作为一个初探深度学习的用户，在pytorch、tensorflow、mxnet、caffe这些框架下或多或少有些许项目经验，我将结合此次深度学习7日营的学习来谈一下paddlepaddle框架。

首先在疫情期间，不能返校复工的情况下，百度云GPU可以提供非常充足的免费算力来推进项目。免费算力的提供就已经把其他云平台（kaggle、谷歌的colab）远远甩在身后。百度ai提供的免费算力，对于大部分应用型项目而言，已经能达到使用需求。每天运行项目可以获得12小时的算力，连续5天运行项目可以而外获得48小时的算力。简单的计算下来，百度就已经提供可连续不断的算力支持，可以做到项目的稳定运行和调试，而不用担心由于算力的不够要对项目进行迁移等问题。但是这些免费算力都有使用的时限，对于开发者而言，可以很好的推动项目的迭代更新。

其次，百度aistudio目前只支持paddlepaddle的GPU调用，所以想要使用GPU算力，就必须学习paddlepaddle框架的使用。短期来看，对于大多数深度学习用户，是在接触aistudio之前是没有入门paddlepaddle，无疑增加了使用的门槛。而且大部分开源的项目是基于pytorch和tensorflow，开发者需要对项目进行迁移，存在着一定的工作量。但是，从长远来看，这对于生态的持续发展是有非常大的好处。paddlepaddle当前主要面向国内用户，而国内目前仍没有其他比较好的框架可以替代pytorch和tensorflow，而paddlepaddle的出现，正填补的国内框架的空缺。目前深度学习正在推开普及阶段，paddlepaddle具有非常完善的中文文档，可以做到与框架的同步更新，对于国内的初学用户非常友好，避免了初学用户由于语言带来的学习痛苦。随着国内开发者的培养，paddlepaddle的生态问题将会在aistudio的运营下逐步完善，对于后续的使用将提供极大的便捷。

对于paddlepaddle本身而言，在1.7版本之后，官方已经支持了动态图，可以说，具有后发优势的paddlepaddle，目前已经初步具有深度学习届‘瑞士军刀’的潜质。

• 首先最基本的动态图和静态图，直接对标pytorch和tensorflow。在使用上而言，两者下的项目迁移到paddlepaddle下的难度不大。可以在API的设计看出，paddlepaddle开发者在设计之初，就从使用者角度出发，目的能够很好的在paddlepaddle下实现，有意的降低了paddlepaddle重新学习的门槛。
• 其次是并行计算、分布式、跨平台的官方支持，从底层对paddlepaddle进行优化，使得paddlepaddle既能作为项目的之初的设计调试，又降低了对于部署到多平台的难度，对于工业界的使用具有非常重要的意义。
• 再者，看到paddlepaddle的github仓库，可以说paddlepaddle具有非常宏大的愿景，无论是学术界、工业界，自然语言处理、计算机视觉，图模型等，处处开花。

深度学习营的开展，让更多的开发者了解到paddlepaddle这个优秀好用的框架，极大的利于社区生态的可持续发展，源源不断的开发者为aistudio社区贡献力量。