社长为你推荐来自 AI 研习社问答社区的精华问答。如有你也有问题，欢迎进社区提问。

话不多说，直接上题

@Mikasa 说：

感觉大家不都是用 tf、pytorch、Keras 吗

想知道 paddlepaddle 用起来怎么样呀？

有用 paddlepaddle 的小伙伴说下使用感受吗~

支持的官方模型如下：

来自社友的回答

▼▼▼

@梦的追击者

简单总结一下 PaddlePaddle 1.0 的 3 项优点：

• 支持真正能解决企业问题的模型，所有成熟的模型都必须完备
• 运行稳定、可靠且高效；
• 代码简洁，方便二次开发。

@酱番梨

PaddlePaddle 开源平台负责人王益曾经在接受雷锋网记者采访的时候说过 PaddlePaddle 是「最适合中国国情的深度学习平台」： 王：从我的理解来看，一方面是基础计算架构要适应中国的现状；另一方面是计算技术上要世界领先，能人所不能。这两方面都有很多可以做的工作，而且百度还是足以自信的。 虽然现在很多深度学习应用用一个几台机器的小集群就可以解决，但是 Web scaled 应用，比如广告和搜索引擎，或者新的应用，比如通过 Lidar、Radar、cameras 采集海量数据的无人车，都是需要大规模深度学习计算能力的。通过扩展 Kubernetes 这样的先进的集群管理系统，PaddlePaddle EDL 比 Google KubeFlow 优势很明显——EDL 不仅可以把 PaddlePaddle 程序在 Kubernetes 上跑起来，而且可以弹性调度——不忙的时候一个训练作业多用一些资源，忙的时候少用一些，但是资源变化不会导致作业失败；而 KubeFlow 只是把 TensorFlow 程序在 Kubernetes 上跑起来，不能实现弹性调度。另外，EDL 不仅调度深度学习作业，也弹性调度其他作业，比如 Nginx、MySQL 等，从而极大地提升集群总体利用率——在国家深度学习重点实验室机群上实测效果高达 91%，远超一般的高性能计算集群的 30% 左右的利用率。这样的技术在公有云和私有云上的推广，很容易就能用 1/3 的机器做同样的工作，为一家单位一年节省的计算成本可以高达百万、甚至数百万美元。 深度学习平台和编程语言一样，不是一个独立的程序，而是一个社区——训练要能在国内的云服务上跑；要能部署到国内的企业的私有云上；国内的科技创新企业在制造定制化的加速芯片，PaddlePaddle 应该是连接这些基础创新和应用的桥梁；要开放中文数据和中文模型——比如图像识别的 label 是中文的；语音识别和语音合成等应用也是和中文相关的。

蹬蹬蹬蹬！对于百度 PaddlePaddle 1.0，你怎么看？有什么想说的话？点击阅读原文，大家一起讨论吧