关于飞桨的推广问题
收藏
刚刚百度客服打电话回访，和客服说了些关于飞桨的一些问题，客服说会反馈给飞桨团队。
个人认为百度飞桨的推广可以做一些改进。
先说下当下的现状。
看了百度出的7天学强化学习，里面要用的parl框架（个人觉得parl框架不如直接用fluid简单，可能我研究的东西比较简单。还有一层原因，因为tf没有parl框架，用了parl怕以后不好和tf对接）
看完了强化学习的DQN知识，我想代码实现下，于是百度搜索相关代码。结果是tf 实现DQN， pytorch实现DQN。。。。。没有一个paddle 实现DQN的，其他的深度学习的情况也比较相同
虽然想支持国产，但是这种情况有心无力。
个人对飞桨推广的建议。
1.对于一些常见的深度学习问题，强化学习问题，让一些博主写文章利用飞桨解决。然后百度一搜相关问题，出现飞桨对这些问题的解决。（当下真的是百度一搜全是tf， torch，感觉只有一小部分人再玩paddle，而且有点关起门来玩的样子）
2.关于AI社区的问题，我没有怎么逛ai社区。之前研究RT-thread的时候看过他们的社区好像有专门的人在社区解答问题。感觉AI社区可以借鉴下。
3.关于百度出品的课程。不太清除百度出品这些课程是面向研究人员还是工业应用。有些问题例如有一起的yolo问题，好像是直接调用模型解决的，感觉这样有些的细致的问题讲解的不够。可能对于研究人员来说不太。。。。
以上仅个人看法，可能很多问题很片面。虽然很片面，但还是希望能够被官方采纳。因为有的问题真的是，想用飞桨，但是没有好的例程。
0
收藏
哦哦，原来Paddle以前也可以自适应啊。
不过不是很理解这个自适应有什么用》
比如Conv2D层，我输入一个batch_size为32的一个channel的128*128的图片，在Paddle上是需要定义输入数据的类型，大小之类的值，但是如果用tensorflow的Model类，会直接自己计算得到。你要做的，就是把自己的数据输入。
tensorflow更多的是高度集成的操作命令，比如Model这个函数，集成了适应compile，训练fit，预测predict，评估evaluate等等。这种高度的集成使得内部的优化程度可能更高，比如调用Model现成的函数，计算速度可能更快（我猜的）。
是啊，现在改成必须指定第一维度为batch_size，以前如果是图像数据只用写3个维度
1. 非常感谢对PARL的关注，国内强化学习起步比国外晚，加上tf和torch总用户量比paddle大很多，网上的资料确实不多，推荐使用关键词 PARL DQN 搜索DQN相关的paddle实现，在使用PARL中有任何问题，都可以去github提issue反馈给我们^_^。
2. PARL是一个高性能、灵活的强化学习框架，提供多种主流强化学习算法的实现和大规模并行支持，扩展性较好，方便【科研人员】快速复现论文结果，迁移算法到不同的环境调研；也方便【工业应用】使用大规模分布式能力，快速迭代上线。
3. 欢迎直接使用fluid复现简单的RL算法，当然更欢迎使用PARL，PARL框架是对强化学习算法的框架抽象，可以和深度学习框架解耦，对于PARL的使用推荐访问https://github.com/PaddlePaddle/PARL，里面有丰富的例程，零基础同学推荐观看PaddlePaddle推出的《强化学习7日打卡营》课程
我也觉得还是加上输入维度参数更好，程序更清晰。
不然出错了，不好定位哪一层网络的毛病
反正这就是一种矛盾，你自己需要定制的细节越多，模型越容易把控，但是编程的难度越大。不需要操心的越多，编程越方便，但是出错了不好定位错误在哪。
不过有些东西是开发者都默认的内容，也很奇怪
我觉得你好像说反了
额。。。反过来貌似也没啥毛病哈哈哈。
我觉得如果是学术上要用，可以去加那个论文复现的群效果是不是会更好点，好像有大佬指导啥的
哪个群啊
最好是我写代码时不用声明；我写错了时系统自动给出详细的错误定位信息，最好还打印出网络结构。
我学习例程时，老师的代码显示声明、详细注释；我懂了后自己写程序时则可以偷懒。
这样就不矛盾了～～
我觉得你提到的框架对数据的自适应能力还是个大大的优点，就像python之于C++一样。Paddle以后估计也会吸收这个特性吧。
偷懒是是促进科技进步的第一动力！
最好是细分一下。一个学习研究模式、一个快速工业部署模式。好像就是动态图、静态图吧。
我想这些也都在摸索当中吧。如果已经有了定论，今天大家也就没必要讨论了，框架一定将这些结论实现了。
反着说，方便就是不同的意思了。一个是指学习、勘错方便；一个是指开发、部署方便。
7月中旬开一个论文复现课。前期班班给想报名的拉了个群。
当时扫码进的，叫“百度飞桨论文复现预备班”