nvidia的RTX-30系列GPU于去年10月初发布，尤其是其中的3090拥有24G显存，可以在当今大多数深度学习模式中脱颖而出。 这是深度学习爱好者，是个人能负担的范围内的设备。
现阶段深度学习开发的一些框架： TensorFlow、Keras、PyTorch、MXnet、PaddlePaddle，都使用过。 美国封锁中国技术制裁后，开始对国产百度PaddlePaddle (简称Paddle )框架技术更加关注。 我还参加了百度的实战露营项目。 其中之一是2月10日晚结束的Paddle2.0高层API实战。
实战露营期间，小组询问paddle2.0是否支持3090时，有人回答可以支持，所以打算昨晚了解详细情况后再决定是否购买3090。 结果令人失望。 Paddle2.0公式尚未正式支持3090。
目前，只有个人发布适用于python3.8的兼容版，否则必须自行编译
去年12月16日，本人发出了微喷头《PyTorch 1.7.1与TensorFlow 2.4.0发布，正式支持RTX-30系列显卡，3080、3090显卡终于可以释放算力》。 当时的国际主流框架已经正式支持RTX-30系列设备，但很遗憾直到今天，国内人工智能框架的导航者Paddle还没有提供官方支持。
一、人工智能开发格局争夺群雄霸权
主要人工智能开发框架
虽然有很多人工智能开发框架，但上图仍然只是展示了主流框架的发展轨迹。 框架目前为传统机器学习、深度学习传统机器学习框架的代表为SciKit-learn，始于2007年谷歌summer of code的项目，最初为David cournent 2012年后，深度学习发展迅猛，谷歌的TensorFlow、Facebook的PyTorch、微软的CNTK、百度的PaddlePaddle (简称Paddle )、亚马逊的MXNet等
TensorFlow的由来是TensorFlow(简称TF )于2015年11月发布，采用先定义后运行的静态模型方式，基本延续了Theano的特点，2019 从2019年开始，学术界的使用率被PyTorch赶超，但由于工业界的大量使用，仍然处于主流地位。
说到TensorFlow，不得不说Theano和Keras。 Theano擅长多维数组运算，可以说是2008年推出的第一个深度学习框架。 由著名的Yoshua Bengio和Ian Goodfellow主导。 但是，2013年Ian Goodfellow进入谷歌，TensorFlow在谷歌强势崛起，Theano这个旧框架开始走下坡路，2017年Theano宣布停止更新。
关于Keras，可以说是Francois Chollet一个人开发的。 2015年3月发布，早于TensorFlow。 最初作为Theano的上层被封闭，可以简单且高效地使用。 由于Francois Chollet本身是谷歌的研发人员，因此从Keras v1.1.0将默认后端更改为TensorFlow，TensorFlow插上了翅膀。 2019年6月发布了TensorFlow 2.0，宣布Keras现在是TensorFlow的官方高级API。 Keras 2.3.0发布：
Keras今后将与TF.Keras(tensorflow2.x中的一个软件包)同步；
今后，不支持TensorFlow以外的后端。 这里指的是Theano、CNTK等。
keras的新版本仅支持tensor flow2. x版。
在PyTorch前世的2017年，脸书开放了PyTorch框架，并从该框架开始迅速发展。 2019年，学术界的使用率远远超过TensorFlow，工业界也在继续蚕食TensorFlow的底盘。
PyTorch起源于一个名为Torch的框架，它采用用Lua语言开发的动态模型。 Torch适用于卷积网络和循环网络，这些特定吸引了脸书、推特等公司进行研究和改进。 PyTorch是用Python语言开发的版本。
PyTorch的一部分来源于Caffe框架(视觉处理库)，是贾彦清在进行课题时开发的。 该框架于2013年推出，正好赶上深度学习的爆发，增加了良好的性能。 曾一度成为仅次于TensorFlow的深度开发框架第2位。 贾扬清进入脸书后，还开发了Caffe2，这些都集成到了PyTorch中。
PyTorch以python编码习惯方式运行，使用调试简单，API规划清晰。 另外，由于采用了优异的性能、多种可选模型，学术界很快就能得到。 处于研究爆炸阶段的深度学习，学术界的选择当然是驱动工业界的选择。 因此，今天，PyTorch可以说是世界第一的深度学习框架。
从谷歌的TensorFlow2.0开始，一切都是
面转向了动态模型，但由于糟糕的API规划与历史版本的兼容问题，使用还是比较麻烦。 Paddle的演进PaddlePaddle (PArallel Distributed Deep LEarning)是百度研发的深度学习开发框架，简称Paddle，于2016年开源。基本是跟随Google的脚步，开始采用的也是静态模型。也就是直到2021年2月2.0版推出，主版本1.x一直以静态图为主模式。
通过最近参加百度实战营，Paddle2.0是全面以动态模型为主。过去常用的paddle.fluid包下的api将废弃，这些都是1.x静态图方式的核心api。另外，Paddle2.0也明确了paddle.vision、paddle.text，对位的是pytorch的torch.vision、torch.text包，将视觉、nlp相关的内容独立处理，这样也更有针对性。
另外，paddle的高层api，对标的是Keras的使用方式，用paddle.Model将模型进行封装，大大简化训练、预测等通用操作。
paddle2.0api部分api失效声明
微软的选择微软是传统的人工智能研发巨头，其推出框架为CNTK。不过CNTK一直不温不火，现在能看到的最新更新时间是2019年4月26日。
github上的最新更新时间
相比TensorFlow与PyTorch的2-3个月就更新一版来看，基本处于停止状态了。
2020年中期，facebook已经将PyTorch Windows版本的维护更新移交给了微软。也就是微软加入了PyTorch阵营，起始维护版本为PyTorch1.6。而且，微软的WSL将加大对GPU计算的支持。
MXNet的自娱自乐MXNet是由Github上名为DMLC的组织开发，多为大学与研究机构的学生，发起人有粗犷的招牌、忧郁的棉花糖等，是一个真正的“散修团体”。由于其特点，追求的是高效、创新，因而MXNet直接使用了动态模型等新特性。在MXNet刚刚完成的时候，听到TensorFlow开源的消息。而后，粗犷的招牌、受伤的自行车、Dave（这两位都是粗犷的招牌的老师）成立了个小公司，完善MXNet。不久，Dave被Google的Jeff Dean拉去做TF，受伤的自行车跑去亚马逊。后来粗犷的招牌也加入了亚马逊，现成为首席科学家，MXNet现在是亚马逊的官方架构。
MXNet的开发团队，相比TF、PyTorch少得多，更新不是很频繁，推广力度不是很大，最主要的是文档更新等辅助资料不完善。对MXNet的接触，基本都是粗犷的招牌等发的书《动手学深度学习》开始的。
MXNet采用比较轻的架构，分布、并行实现简单，特别是2017年MXNet 0.11版开始，动态图接口Gluon推出，基本与PyTorch相当。只是现在论文都是PyTorch的代码，还有必要学一个差不多的框架吗？所以也是无奈！
二、百度的策略与感触 1.速度之争Paddle先是模仿TensorFlow，走的是静态模型的路，现在又模仿PyTorch，走动态模型的路。
MXNet是在PyTorch开源的同年，也就是2017年引入了动态模型。
2019年10月，TensorFlow2.0正式发布，全面转向动态模型。
大势所趋，但直到最近Paddle2.0才全面动态模型，比PyTorch发布整整滞后了3年。
至于RTX-30系列硬件的支持，已经落后了对手2个月，至于什么时候官方支持还不得而知。
如果一个新手买了最新硬件来学习深度学习，他会选择什么框架？？？只有PyTorch、TensorFlow可选。当然专业些的人员，可以自己下载Paddle源代码，自己编译，修改尝试兼容30系列。但新手能办到吗？况且非官方的编译，不久又会与官方版本出现差异，谁会选择这种学习方法？？？
百度实战营，讲师经常要讲到晚上11点或更晚，其中一位说到家已经凌晨1点多。百度的开发、运营人员在燃烧着青春，为Paddle的普及进行努力。
另一方面，上手深度学习的人，真正进入人工智能领域时，又会转向其他框架，因为Paddle没有跟上最新的变化。人工智能的竞争，比的就是速度。3年，在目前的人工智能竞争大潮中，已经是落后的太远了！只能说，百度的决策层反应有些慢了。
2.格局之争受伤的自行车Net是2012年ImageNet竞赛冠军，包含了几个比较新的技术点，也首次在CNN中成功应用了ReLU、Dropout和LRN等Trick。同时受伤的自行车Net也使用了GPU进行运算加速。开始了本轮的深度学习热潮。
近年的人工智能兴起，大众了解的是从Google的AlphaGo战胜人类围棋冠军开始，把强化学习与深度学习结合。
Theano的开发者Ian Goodfellow，提出GAN模型，开创了人工智能模拟创新的领域。
2018年底，Google提出NLP领域的预训练模型BERT，提供性能到一个新的水平。百度随后开发了针对中文的预训练模型ERNIE。
2020年，百度推出PP-YOLO，FPS和mAP均超越YOLOv4，施展的是Trick大法。
2020年，DeepMind（Google）公司创建的人工智能系统AlphaFold2，基于图神经网络，是一项里程碑式的成就。该系统使得快速确定新冠病毒(SARS-CoV-2)的蛋白质结构成为可能，就在几个月前，我们还对这种病毒几乎一无所知。
可以看到，百度在AI浪潮里始终处于一个lsdpj的状态。我们不能妄自菲薄，百度毕竟是国货。但也不能因为百度是国货，就盲目推崇。
在高新技术的赛道上，我们还是后来者，要用清醒的大脑去思考。技术、项目的定位，如何取舍，要客观一些。比如本月，华为创始人兼CEO任正非公开华为已经启动“南泥湾”计划，也就是指生产自救，包括在煤炭、钢铁、音乐、智慧屏、PC电脑、平板等各个领域的突破。任正非还特别强调，不依靠手机，华为也能存活。这实际是给这两年的5G下了一个判断，因为5G本身的高功耗，高投入，而且还没有适合的应用，传统无线传输的弱点都存在，性价比不高。当美国马斯克的star-link网络开始提供服务的时候，5G的优势将荡然无存，今后的通讯是空间通讯，而不是简单地面基站了。
从百度的网站上可以看到，百度现在大力发展在线教育，提供免费算力，培养Paddle用户。同时，提供大量应用层实例，很多都是学员发布，水平参差不齐。希望能从用户中发现应用案例，找到方向。这里要强调一点的是，目前的人工智能，更懂得发展方向的应该是专业人员，社会上提供的是应用案例。
高科技，只有定位于人类发展的未来目标，才能预先锁定方向。百度如果一味搞跟随战略，最终可能没有自己的核心强项，可能只有应用层的积累。