飞桨(百度深度学习平台)

飞桨（英文名：PaddlePaddle）是百度集团自主研发的中国首个开源开放、功能完备的产业级深度学习平台，于2016年正式开源，是主流深度学习框架中一款完全国产化的产品。该平台以百度多年的深度学习技术研究和业务应用为基础，集核心框架、基础模型库、端到端开发套件、丰富的工具组件、飞桨星河社区于一体。

2018年7月，飞桨开源框架V0.14发布，百度集团官方首次开源CV、NLP、语音、强化学习等10个模型，提供了从数据预处理到模型部署在内的深度学习全流程的底层能力支持。2020年，飞桨开源框架1.8版本发布，推出了更强大的功能以支持人像分割技术的产业应用，让开发者更顺畅地完成人像分割任务。2022年5月20日，飞桨开源框架2.3版本正式发布，该版本框架在深度定制开发能力、全流程的自动化水平等方面有大幅升级，涉及开发、训练、推理部署和云上飞桨各环节。2025年4月1日，飞桨发布3.0正式版，该版本不仅延续了飞桨框架2.0系列动静统一、训推一体的特性，更在自动并行、神经网络编译器、高阶自动微分等方面取得突破，为大模型时代的技术创新与产业应用提供了强大支撑，为开发者打造了一站式、高性能的深度学习开发体验。截至2025年7月29日，飞桨已凝聚535万开发者，基于飞桨创建模型67万个，服务20万家企事业单位。

飞桨经过多次迭代升级，具备开发便捷的深度学习框架、超大规模深度学习模型训练技术、多端多平台部署的高性能推理引擎、产业及开源模型库四大领先优势，在业内率先实现了动静统一的框架设计，兼顾科研和产业需求。飞桨端到端自适应混合并行训练技术以及压缩、推理、服务部署的协同优化，高效支撑以文心一言为代表的文心大模型的生产与应用。2020年8月，飞桨产业级深度学习技术与平台获“2019年度中国电子学会科学技术奖科技进步一等奖”。2021年9月，飞桨产业级深度学习开源开放平台获“2021全球中国国际智能产业博览会产品金奖”。2025年7月26日，在世界人工智能大会（WAIC）上，飞桨深度学习平台入选中国人工智能产业创新成果展。

命名由来

飞桨取自宋代文人朱熹的“闻说双飞桨，翩然下广津”，直意为“洛杉矶快船队”，寓意飞桨助推AI走得更快更远。

研发历程

开源

2016年9月，飞桨正式宣布开源。

V0.14

2018年7月，飞桨开源框架V0.14发布，百度集团官方首次开源CV、NLP、语音、强化学习等10个模型，提供了从数据预处理到模型部署在内的深度学习全流程的底层能力支持。

V1.0

2018年10月，飞桨核心框架Paddle Fluid V1.0发布。飞桨开源框架v1.0提供更稳定、向后兼容的API，支持Python 3.5，开源CV、NLP 方向主流模型。

V1.1

2018年11月，飞桨1.1.0版本发布，在基础框架、模型建设、分布式训练、预测引擎各个方向上完成多项更新。OP进行了全面完善和优化，模型库新增了自然语言处理、视觉和推荐等领域的大量经典模型，分布式训练能力显著提升，支持千亿规模稀疏参数大规模多机异步训练，预测库易用性和效率提升，移动端预测支持更多模型和更多硬件。

V1.2

2018年12月，飞桨核心框架Paddle Fluid v1.2版本发布，在基础框架、预测引擎、模型建设、分布式训练各个方向上完成多项更新。基础框架支持Python5及以上全版本。预测引擎优化，预测性能大幅提升。增强了对RL相关的支持能力。模型库新增图像分类任务的预训练模型、语言模型任务新增基于cuDNN的LSTM实现、分布式word2vec模型。CPU多机异步训练升级了包括worker异步并发和IO、通信优化在内多项功能，整体吞吐大幅提升。

V1.3

2019年3月，飞桨核心框架Paddle Fluid v1.3版本发布，在基础框架、预测引擎、模型建设、分布式训练各个方向上完成多项升级。新增视频模型库，提供5个视频分类经典模型以及适合视频分类任务的通用骨架代码，用户可一键式高效配置模型完成训练和评测。新增支持失明语义表示BERT模型，支持多机多卡训练，支持混合精度训练，训练速度对比主流实现提升50%+，提供完整部署示例。大规模稀疏参数服务器Benchmark发布，CPU多机异步训练发布显著提升点击率预估任务IO吞吐的built-in reader，多机多卡训练性能多方面提升。其他重要更新包括：

统一Executor和ParallelExecutor接口，用户只需通过CompiledProgram将单卡模型转化多卡模型，并利用Executor进行训练或者预测。

正式发布AnalysisConfig 预测接口，支持计算图分析、算子融合等优化，并支持利用英特尔 MKLDNN、英伟达 TensorRT 子图引擎等第三方库的加速。

模型库新增发布PaddlePaddle视频模型库，提供5个视频分类经典模型以及适合视频分类任务的通用骨架代码，用户可一键式高效配置模型完成训练和评测。

新增支持失明语义表示BERT模型，支持多机多卡训练，支持混合精度训练，训练速度对比主流实现提升50%+，提供完整部署示例。

大规模稀疏参数服务器Benchmark发布，CPU多机异步训练发布显著提升点击率预估任务IO吞吐的built-in reader，多机多卡训练性能多方面提升。

新增支持英特尔 Deep Learning Boost(VNNI指令集)。在新一代的Intel Xeon Scalable Processor上，使用这个特性的一些模型，INT8预测性能可以达到FP32的2倍。

V1.4

2019年4月，飞桨核心框架Paddle Fluid v1.4版本发布。重要更新内容包括：

基础框架对训练速度和显存占用进行了全面优化，完整支持量化训练，初步集成了Intel nGraph，动态图preview版单机单卡基本功能完善。

正式发布模型压缩工具包PaddleSlim和模型预测服务Paddle Serving，全面提升PaddlePaddle部署能力。

优化分布式IO，增加远程文件系统流式读取能力。GPU多机多卡同步训练通过增加稀疏通信能力提升带宽不敏感训练能力，在低配网络带宽网络环境下，例如10G网络下，同步训练可提速10倍。

更好支持K8S生态，提供工业生产环境下的Paddle-K8S-Operator支持；Kubeflow支持paddle-job。

正式发布视频识别工具集，覆盖主流视频分类模型，包括Non-Local、TSM 、Attention Cluster、NeXtVLAD、Attention LSTM、StNet、TSN。

新增中文语义表示模型ERNIE，在多项中文任务上相对 BERT精度绝对提升1-2个百分点。新增对话通用理解相关模型DGU，支持5类对话任务，在3个公开数据集达到SOTA 的效果。

新增基于图神经网络的推荐模型（Graph Neural Network），并提供公开数据集下的Benchmark效果。

正式发布PaddleHub预训练模型管理工具，提供包括预训练模型管理、命令行一键式使用和迁移学习三大功能。旨在帮助用户更高效地管理模型并开展迁移学习的工作。

正式开源AutoDL 设计，自动化网络结构设计。

全新升级聚焦并行的PARL1.1，一个修饰符，实现并行强化学习算法。

正式发布X2Paddle模型转换工具，用户可以无损地将其他深度学习框架预测模型迁移至PaddlePaddle。

V1.5

2019年7月，飞桨核心框架Paddle Fluid v1.5版本发布。重要更新内容包括：

训练性能在数据读取、执行调度优化、OP计算逻辑及底层cudnn、CUDAKernel、MKLDNN等方面进行了大量优化，训练性能大幅提升；进一步优化显存占用，整体具备领先优势。

新增基于Padding方式实现的LSTM、GRU，更方便用户学习和使用；并基于对应API新增语言模型、seq2seq翻译模型的示例模型；增强部分OP功能，更好地支持失明中Tensor多个维度可变的任务。

正式发布动态图Preview版并提供相关的API文档，并提供 7个模型动态图版本官方实现。

官方模型库方面正式发布PaddleDetection物体检测统一框架，覆盖主流目标检测算法，易扩展和模块化组合使用；发布图像生成库，覆盖主流的GAN算法，可一键式运行；发布PaddleNLP-Research，包含百度集团在 NLP 领域最新研究工作。

模型压缩框架PaddleSlim新增基于模拟退火的自动剪切策略和轻量级模型结构自动搜索功能（Light-NAS）。

分布式训练发布HighLevel API Fleet，单机转分布式训练成本显著降低；GPU多机多卡性能显著提升，在ResNet50、BERT、ERNIE等模型中4x8 v100配置下相比此前发布的Benchmark提速超过50%。

PaddleHub新增29个预训练模型，总计覆盖文本、图像、视频三大领域40个模型，并全面提升易用性，发布PaddleHub官网。

发布图学习框架pgl(Paddle Graph Learning) Preview版，提供基于游走以及消息传递两种计算范式去搭建最前沿的图学习算法。

V1.6

2019年11月，飞桨核心框架Paddle Fluid v1.6版本发布。重要更新内容包括：

提供更多的算子库、简单高效的 API 接口、完善的文档内容.

升级轻量级模型结构自动搜索 PaddleSlim，增加了基于硬件搜索等能力，打通训练、压缩和部署全流程。

NLP、CV、推荐系统、语音等各大基础模型库的模型，从原来的 60+到了 100+（这其中包含多个在 AI 竞赛中夺冠的算法模型）。

Paddle Hub，新增了超参优化 Auto Fine-tune 功能，预训练模型数量大幅增加，支持飞桨 Master 模式。

深度强化学习框架 PARL 并行能力升级，支持进化算法。

Paddle2ONNX 和 X2Paddle 升级，飞桨和其他框架的模型互转更加方便；

V1.7

2020年2月，飞桨核心框架Paddle Fluid v1.7版本发布。1.7版本对框架功能层面进行了重点增强，预测部署能力全面提升，分布式训练发布PLSC支持千万规模分类任务，并对参数服务器模式进行了优化整合。对编译选项、编译依赖以及代码库进行了全面清理优化。模型库持续完善，优化了整体层次结构，增加了动态图模型实现。端到端开发套件和工具组件进一步完善。

V1.8

2020年5月，飞桨核心框架Paddle Fluid v1.8版本发布。1.8版本推出了更强大的功能以支持人像分割技术的产业应用，让开发者更顺畅地完成人像分割任务，包括三大亮点特性：

全面提升对人像分割场景的全流程支持。针对人像分割场景提供了从数据增强处理、模型训练、在线离线量化、视频分割推理部署、替换背景等全流程配套工具。新版PaddleSeg提供针对人像分割场景从数据增强处理、模型训练、在线离线量化、视频分割推理部署、替换背景等全流程应用指南。针对目标图像多样性问题，提供了10+种数据增强策略，可结合实际业务场景进行定制组合，提升模型泛化能力和鲁棒性。

发布的HumanSeglite模型超轻量级人像分割模型，可支持移动端场景的实时分割，最小只有187K。PaddleSeg不仅推出了服务端应用的预训练模型，还提供了专门针对移动端实时分割场景的模型，例如手机自拍人像的实时处理。该场景下由于移动设备算力、内存受限，所以需要更轻量级的模型，而且通常要求处理效率是30FPS，对应的预测时间需要在33ms以下。本次PaddleSeg提供的HumanSegLite模型，采用更轻量的网络结构- 优化后的ShuffleNetV2，并采用飞桨模型压缩工具PaddleSlim的量化技术进一步压缩模型的体积，达到速度和精度的平衡，最终生成的预训练模型大小仅187K！预测时间11.8ms，为开发者实现移动端实时分割任务提供有利武器。

发布基于光流算法的视频级别的分割后处理方案，针对移动端小模型分割效果不理想的问题，有显著效果。

V2.0

2021年3月，飞桨核心框架Paddle Fluid v2.0版本发布。飞桨框架2.0支持用户使用动态图完成深度学习相关领域全类别的模型算法开发。动态图模式下可以让开发者随时查看变量的输入、输出，方便快捷的调试程序，带来最佳的开发体验。为了解决动态图的部署问题，飞桨提供了全面完备的动转静支持，在Python语法支持覆盖度上达到领先水平。开发者在动态图编程调试的过程中，仅需添加一个装饰器，即可无缝平滑地自动实现静态图训练或模型保存。同时飞桨框架2.0还做到了模型存储和加载的接口统一，保证动转静之后保存的模型文件能够被纯动态图加载和使用。

V2.1

2021年5月，飞桨核心框架Paddle Fluid v2.1版本发布。飞桨开源框架v2.1着重优化了自动混合精度训练，最大化地使用FP16计算，减少与FP32 的转换开销，并使用了多种策略自动保证模型正常收敛。此外，飞桨开源框架v2.1还优化了大量FP16算子的性能，在多个领域的主流模型上都有明显的性能提升。

其次，飞桨框架2.1版本的动态图功能进一步增强，新增了inplace 操作功能，实现了自动显存复用，可将显存占用降低17.7%。此外还优化了Python/C++交互的开销，提升即时执行效率，使得训练速度提升11%。在飞桨框架2.0版本正式推出的高层API，这一次也进行了升级，增强了数据预处理类API，扩展了基于GPU设备的计算能力，此外在全流程训练上增加了混合精度策略支持。2.1版本还新增了模型共享机制，高层API可以直接调用飞桨官方算法库中的经典的、复用性高的模型。

V2.2

2021年12月，飞桨核心框架Paddle Fluid v2.2版本发布。v2.2版本飞桨框架在编程接口方面，新增了傅里叶变换、线性代数计算、AI科学计算等相关的100多个API，可以支持更广泛任务类型的模型开发；分布式训练方面，在优化了4D混合并行等分布式技术的同时，新增了端到端自适应大规模分布式训练能力，支撑了全球首个知识增强千亿大模型——“鹏城-百度集团·文心”的发布；在硬件适配方面，提供了包括Kernel Primitive API和NNAdapter在内的的低成本硬件接入技术方案。此外，飞桨框架v2.2还优化了文本任务开发全流程，给失明开发者带来更快更易用开发体验。

V2.3

2022年5月，飞桨核心框架Paddle Fluid v2.3版本发布。新版本框架在深度定制开发能力、全流程的自动化水平等方面有大幅升级，涉及开发、训练、推理部署和云上飞桨各环节。API体系更加丰富，更便捷支持包括AI科学计算在内各领域模型开发；针对高阶开发者深度定制开发需求，飞桨框架2.3版本推出高复用性算子库、高扩展性参数服务器架构，进一步降低框架深度定制开发的成本；推出业内首个全流程自动调优方案，大幅提升性能调优的自动化水平；降低模型压缩技术的应用门槛，推出业内首个开源的自动化压缩功能；深度优化端边云全场景推理引擎，支持开发者取得最佳的部署性能。同时，针对大模型技术发展和产业应用需求，飞桨框架2.3版本的大模型训练和推理能力实现全面升级。此外，为了更好地跟云计算对接，本次升级正式推出“云上飞桨”的能力，包括业内首个异构多云自适应分布式训练架构以及云上部署编排工具PaddleCloud。

V2.4

2022年11月，飞桨核心框架Paddle Fluid v2.4版本发布。相比飞桨框架2.3版本，飞桨框架v2.4增加了167个功能性API，新增稀疏计算(paddle.sparse)、图学习(paddle.geometric)和语音处理(paddle.audio)等更多领域API，同时也进一步完善了loss计算、张量计算、分布式和视觉变换等类别的API。重要更新内容包括：

飞桨框架v2.4提供稀疏矩阵乘、稀疏softmax等运算，可完整支持SparseTransformer的运算。在高稀疏度场景下，相比使用DenseTensor提速105.75%，相比同类产品稀疏计算提速4.01%~58.55%，极致节省显存并提升性能。飞桨API支持最常使用的稀疏数据COO和CSR格式。COO为稀疏数据坐标格式，CSR为压缩行信息格式。不同格式的稀疏数据使用场景不同，其中SparseConv3D更适合处理COO格式的数据，SparseTransformer中有较多取整行的操作，更适合处理CSR格式的数据，能更好降低计算复杂度。虽然这些API有不同的格式倾向，但是飞桨稀疏API在设计时，每个都尽可能支持多种稀疏格式，这样在不同模型场景下处理不同的数据格式时都可以使用相同的API，不用修改代码，更灵活且更能极致提升性能。除了支持不同的稀疏格式外，对于二元计算及矩阵向量计算等API，还支持多种稀疏格式和常规的稠密格式(Dense Tessor)的混合计算，网络可以部分使用传统组网，部分使用稀疏，更方便已有模型的优化。v2.4新增paddle.audio类API提供了语音基础处理能力，提升了语音建模和学习便捷性。

新增图学习类API，支持高效图学习计算：飞桨框架v2.4新增paddle.geometric图学习类API，提供更好的图学习建模和高效图学习计算体验。

新增语音领域类API：新增MFCC、Spectrogram、LogMelSpectrogram等特征提取API，支持GPU计算，相比CPU实现处理性能提升15倍以上，可大幅提升语音模型训练GPU利用率，达到快速训练和推理的效果。新增窗函数、离散余弦变换等特征提取基础API，方便用户自定义语音特征提取，方便完成定制化需求。新增语音IO模块，提供2种音频I/Obackend，支持6种编解码，便捷地实现语音数据的加载。新增TESS、ESC50语音分类数据集。用户不必进行复杂的预处理，可以方便地启动训练流程，便捷地完成训练。用户也可以依照此代码，方便定制自己的数据集。

其它新增的API：为了更方便地支持各种组网的loss计算需求，飞桨框架v2.4扩充了多个loss计算的API。飞桨框架2.3之前的版本实现了很多基础的张量计算API，飞桨框架2.4版本基于这些基础API，通过组合的方式扩充了张量计算API，方便用户直接使用。新增10个分布式通信API，如paddle.distributed.communication.stream.all_gather等，支持在主计算流上做通信，降低了在流切换、事件等待时的性能开销，能够使分布式GPT3模型训练提速11.35%。基于飞桨基础API，扩充了paddle.vision.transforms中视觉变换API。

飞桨框架v2.4逐步形成了成熟的API开发范式，框架的开发难度持续降低。配合官方提供的标准集成开发环境，飞桨社区开发者可以更加顺畅地完成飞桨API开发与贡献。具体体现在：

简化API开发步骤：飞桨框架v2.4完成了基础框架算子体系重构，构造高可复用的PHI算子库(Paddle HIgh reusability operator library)，支持基于已有的算子内核以及Kernel Primitives API组合实现新的算子，支持插件式接入新硬件或者新加速库。PHI算子库的成熟，提升了飞桨API的开发效率，并形成了通用的API开发流程，使得开发者可以更加简洁流畅地参与飞桨API的开发与贡献。

发布标准API贡献指南：飞桨框架v2.4形成了标准的API贡献指南，包括贡献流程与操作指南、API设计文档模板、API代码模板、API文档写作规范，为飞桨社区开发者提供清晰的文档指引与辅助，使得开发者可以快速上手。

提供标准开发环境：飞桨AIStudio平台推出标准开发环境，为开发者提供飞桨镜像环境、在线IDE与专属GPU算力，登录即可开发调试，免去环境配置与算力限制，随时随地参与飞桨框架的开发与贡献。

V2.5

2023年8月，飞桨核心框架Paddle Fluid v2.5版本发布。基础架构全面升级，新架构微分功能更完善，性能优化更通用。

V2.6

2023年12月，飞桨核心框架Paddle Fluid v2.6版本发布。飞桨开源框架2.6版在开发体验方面，通过自适应图构建机制，动转静训练成功率达到100%；实现了高扩展性 IR，支撑大模型极致性能优化；支持动静统一自动并行编程，混合并行训练代码开发大幅简化。全流程优化大模型套件，实现大模型预训练、精调、压缩、推理、部署全流程关键技术升级。硬件适配方面，结合文心大模型升级，更好地支持硬件厂商进行灵活定制、软硬协同深度优化。

V3.0-beta

2024年6月27日，PaddleX 3.0-beta 开源版本发布，该版本聚焦7大主流AI场景，精选68个飞桨优质模型，构建了16条产业级模型产线（其中9条基础产线开源，7条特色产线可在飞桨AI Studio星河社区上免费使用），包含了多项能力的显著升级，旨在助力企业开发者以低成本、零门槛的方式，有效解决产业中的实际问题。该版本的核心亮点为：

模型丰富场景全面：精选68个优质飞桨模型，覆盖图像分类、目标检测、图像分割、OCR、文本图像版面分析、文本图像信息抽取、时序分析等任务场景。

低门槛开发范式，便捷开发与部署：低代码开发方式，通过统一的 API 接口实现模型产线的全流程开发，同时支持用户自定义模型流程串联。模型产线指的是可以独立完成某类任务且具备落地能力的模型或模型组合，可以是单模型产线，也可以是多模型组合的产线。在PaddleX 3.0-beta 版本中，开源了基础模型产线，这些模型产线可以快速完成模型的体验和部署。可以根据实际体验情况，通过6步，快速完成产线部署落地。

本地多硬件支持，兼容性强：为了满足用户的多硬件需求，PaddleX团队基于飞桨框架在硬件兼容性和灵活性方面的优势，积极适配了多种芯片，为用户在硬件上提供更大的选择空间。除了英伟达GPU之外，PaddleX 3.0-beta 还支持昆仑芯、昇腾、寒武纪等硬件。只需添加一个配置设备的参数，即可在对应硬件上使用上述工具。每款硬件上，PaddleX 3.0-beta 支持的模型数量都达到数十个。

V3.0

2025年4月1日，飞桨框架3.0正式版发布。飞桨框架3.0版本不仅延续了飞桨框架2.0系列动静统一、训推一体的特性，更在自动并行、神经网络编译器、高阶自动微分等方面取得突破，为大模型时代的技术创新与产业应用提供了强大支撑，为开发者打造了一站式、高性能的深度学习开发体验。

飞桨框架3.0具备以下五大新特性：

动静统一自动并行：通过少量的张量切分标记，即可自动完成分布式切分信息的推导，Llama预训练场景减少80%的分布式相关代码开发。

大模型训推一体：依托高扩展性的中间表示（PIR）从模型压缩、推理计算、服务部署、多硬件推理全方位深度优化，支持文心4.5、文心X1等多款主流大模型，DeepSeek-R1满血版单机部署吞吐提升一倍。

科学计算高阶微分：通过高阶自动微分和神经网络编译器技术，微分方程求解速度比PyTorch快115%。

神经网络编译器：通过自动算子自动融合技术，无需手写CUDA等底层代码，部分算子执行速度提升4倍，模型端到端训练速度提升27.4%。

异构多芯适配：通过对硬件接入模块进行抽象，降低异构芯片与框架适配的复杂度，兼容硬件差异，初次跑通所需适配接口数比PyTorch减少56%，代码量减少80%。

2025年6月，百度集团“文心中国行”活动走进南京。活动现场，百度飞桨（南京）人工智能产业赋能中心正式揭牌，并启动公开试运营。7月26日，在世界人工智能大会（WAIC）上，飞桨深度学习平台入选中国人工智能产业创新成果展。截至2025年7月29日，飞桨已凝聚535万开发者，基于飞桨创建模型67万个，服务20万家企事业单位。

平台构成与功能

模型开发和训练组件

飞桨核心框架支持用户完成基础的模型编写和单机训练功能。除核心框架之外，飞桨还提供了分布式训练框架FleetAPI、云上任务提交工具PaddleCloud和多任务学习框架PALM。

模型部署组件

针对不同硬件环境，飞桨提供了丰富的支持方案。

FastDeploy

FastDeploy，AI推理部署套件，面向AI模型产业落地，支持40多个主流的AI模型在8大类常见硬件上的部署能力，帮助开发者简单几步即可完成AI模型在对应硬件上的部署。

Paddle Inference

Paddle Inference，飞桨原生推理库，用于模型部署，支持、C、、Go等语言，可将模型融入业务系统。

Paddle Lite

Paddle Lite，飞桨轻量化推理引擎，用于Mobile、IoT等场景的部署，有着广泛的硬件支持。

Paddle.js

Paddle.js，使用ECMAScript（Web）语言部署模型，用于在浏览器、小程序等环境快速部署模型。

PaddleSlim

PaddleSlim，模型压缩工具，获得更小体积的模型和更快的执行性能，通常在模型部署前使用。

X2Paddle

X2Paddle，飞桨模型转换工具，将其他框架模型转换成飞桨模型，转换格式后可以方便的使用上述第（1）至第（5）个工具。

预训练模型和封装工具

通过低代码形式，支持企业POC快速验证、快速实现深度学习算法开发及产业部署。

PaddleHub

PaddleHub，飞桨预训练模型应用工具，提供超过400个开源的预训练模型，覆盖文本、图像、视频、语音、跨模态等多个AI领域。开发者可以轻松结合实际业务场景，选用预训练模型一键推理/一行代码服务化部署，快速完成模型验证与应用工作。

PaddleX

PaddleX，飞桨低代码开发工具，以低代码的形式支持开发者快速实现深度学习算法开发及产业部署。提供极简Python API和可视化界面Demo两种开发模式，可一键安装。提供CPU、GPU、树莓派等通用硬件高性能部署方案，支持用户流程化串联部署任务，极大降低部署成本。

其他辅助工具组件

AutoDL

飞桨自动化深度学习工具AutoDL，提供基于强化学习的神经网络结构搜索基本框架，AutoDL设计的网络相比于人类设计的网络，其精度更优，体积更小。AutoDL也可应用于风格化图像生成、科学计算等更为复杂和实用的场景。

VisualDL

飞桨可视化分析工具VisualDL，以丰富的图表呈现训练参数变化趋势、模型结构、数据样本、高维数据分布、精度召回曲线、性能消耗数据等模型关键信息。帮助用户清晰直观地理解深度学习模型训练过程及模型结构，进而实现高效的模型调优、算法训练过程及性能分析与结果分享。

PaddleFL

飞桨联邦学习框架PaddleFL，支持轻松复制和比较联邦学习算法，便捷地实现大规模分布式集群部署，并且提供丰富的横向和纵向联邦学习策略及其在计算机视觉、自然语言处理、推荐算法等领域的应用。此外，可以基于全栈开源软件轻松部署。

开源模型库

人工智能产业应用时常面临四大难点：很难找到合适的开源模型；模型不适用产业场景；模型优化成本高；部署时问题频发。针对这四大难题，飞桨提出了产业级开源模型库方案：支持500+个精选算法和预训练模型，全面覆盖深度学习主流应用领域，如计算机视觉、语音、自然语言处理、大模型、推荐、强化学习等；支持23个特色的PP系列模型，满足对模型精度和推理速度都有较高要求的产业应用场景；支持端到端的AI开发套件，开发者只需要修改配置文件，而不需要修改代码，即可实现各种优化策略；提供训推一体的全链条功能支持，保障飞桨模型在多种多样的应用场景中可以高效、稳定、可靠的训练和部署。

PaddleClas

PaddleClas，飞桨图像分类开发套件，提供超轻量图像分类方案 PULC，覆盖人、车、OCR方向九大任务高频应用；支持通用图像识别系统PP-ShiTu，可高效实现高精度车辆、商品等多种识别任务；提供44个系列243个高性能图像分类预训练模型，其中包括10万分类预训练模型、PP-LCNet等明星模型；以及支持SSLD知识蒸馏等先进算法优化策略，可被广泛应用于高阶视觉任务，辅助产业及科研领域快速解决多类别、高相似度、小样本等业界难点。

PaddleDetection

PaddleDetection，飞桨目标检测开发套件，内置250+个主流目标检测、实例分割、跟踪、关键点检测算法，其中包括服务器端和移动端产业级SOTA模型、冠军方案和学术前沿算法，并提供行人、车辆等场景化能力、配置化的网络模块组件、10余种数据增强策略和损失函数等高阶优化支持和多种部署方案，在打通数据处理、模型开发、训练、压缩、部署全流程的基础上，提供丰富的案例及教程，加速算法产业落地应用。

PaddleSeg

PaddleSeg，飞桨目标检测开发套件，内置250+个主流目标检测、实例分割、跟踪、关键点检测算法，其中包括服务器端和移动端产业级SOTA模型、冠军方案和学术前沿算法，并提供行人、车辆等场景化能力、配置化的网络模块组件、十余种数据增强策略和损失函数等高阶优化支持和多种部署方案，在打通数据处理、模型开发、训练、压缩、部署全流程的基础上，提供丰富的案例及教程，加速算法产业落地应用。

PaddleOCR

PaddleOCR，飞桨文字识别开发套件，旨在打造一套丰富、领先且实用的OCR工具库，开源了产业级特色模型PP-OCR与PP-Structure。最新发布的PP-OCRv3包含通用超轻量中英文模型、英文模型，以及德法日韩等80种多语言OCR模型；PP-Structurev2覆盖版面分析与恢复、表格识别、DocVQA任务，提供22种训练部署方式。此外还开源了文本风格数据合成工具Style-Text、半自动文本图像标注工具PPOCRLabel和《动手学OCR》交互式电子书，目前已经成为全球知名的OCR开源项目。

PaddleGAN

PaddleGAN，飞桨生成对抗网络开发套件，提供图像生成、风格迁移、超分辨率、影像上色、人脸属性编辑、人脸融合、动作迁移等前沿算法，其模块化设计，便于开发者进行二次研发，同时提供30+预训练模型，助力开发者快速开发丰富的应用。

PaddleVideo

PaddleVideo，飞桨视频模型开发套件，具有高指标的模型算法、全流程可部署、更快训练速度和丰富的应用案例、保姆级教程并在体育、安防、互联网、媒体等行业有广泛应用，如足球/蓝球动作检测、乒乓球动作识别、花样滑冰动作识别、知识增强的大规模视频分类打标签、智慧安防、内容分析等。

ERNIEKit

ERNIEKit，文心NLP大模型开发套件ERNIEKit，内置业界领先的ERNIE 3.0 (10B、1.5B、Large、XBase、Base、Medium、nano)系列大模型，在各类NLP任务上领先业界其他先进模型。此外，该套件还内置其他领域模型、任务模型、多模态模型20余个，NLP基础任务40余个、数据预处理工具20余个、模型微调工具10余个。该套件支持动静结合的组网方式以及模型压缩功能，兼顾了开发的便利性与部署的高性能需求。同时还能够支持主动学习、网格搜索、可信学习等辅助工具，为NLP工程师提供简单高效的开发工具。

ElasticCTR

ElasticCTR，飞桨个性化推荐开发套件，可以实现分布式训练CTR预估任务和基于PaddleServing的在线个性化推荐服务。PaddleServing服务化部署框架具有良好的易用性、灵活性和高性能，可以提供端到端的CTR训练和部署解决方案。ElasticCTR具备产业实践基础、弹性调度能力、高性能和工业级部署等特点。

PGL

PGL，飞桨图学习框架，业界首个提出通用消息并行传递机制，支持万亿级巨图的工业级图学习框架。PGL 原生支持异构图，支持分布式图存储及分布式学习算法，支持GNNAutoScale实现单卡深度图卷积，覆盖30+ 图学习模型，并内置KDDCup 2021 PGL 冠军算法。内置图推荐算法套件Graph4Rec以及高效知识表示套件Graph4KG。历经大量真实工业应用验证，能够灵活、高效地搭建前沿的大规模图学习算法。

PARL

PARL，飞桨深度强化学习框架，覆盖十余种主流强化学习算法，内嵌高性能分布式训练接口，数行代码即可实现上千CPU和GPU并行训练。全面适配大模型闭环训练，一站式构建奖励学习、闭环反馈、大算力推演、策略优化。

Paddle Quantum

Paddle Quantum，量桨，基于飞桨的量子机器学习工具集，提供组合优化、量子化学等前沿功能，常用量子电路模型，以及丰富的量子机器学习案例，帮助开发者便捷地搭建量子神经网络，开发量子人工智能应用。

PaddleHelix

飞桨螺旋桨PaddleHelix，针对生命科学领域的重要问题，如药物筛选、蛋白设计、新型冠状病毒疫苗设计、精准诊疗、机理研究、分子合成等，通过构建“数据+原理”双驱动的生物计算大模型技术，及面向新药研发、疫苗设计、精准医疗等场景的产品工具，辅助生命科学领域的研究者和从业人员提升研发效率，降低AI技术的使用门槛，以更快速的推进科研成果转化和在研管线的上市。

PaddleScience

PaddleScience，飞桨科学计算工具组件，是飞桨面向AI for Science的工具组件，提供便于用户可组合的API模块，支持用户定义及解析物理问题的复杂计算域，如基础几何、stl等。利用飞桨框架提供的高阶自动微分、分布式并行以及编译加速等策略，可加速求解高维的数学物理方程。结合内嵌数学计算和物理数据的处理方法，提供数据驱动以及物理机理约束的深度学习求解模型，解决CFD/CAE等多物理场跨尺度模拟的难点。综合应用AI与数据结合的科学研究新范式，提升智能制造系统设计、建模仿真、分析优化等技术。

技术优势

开发便捷的深度学习框架

飞桨深度学习框架基于编程一致的深度学习计算抽象以及对应的前后端设计，拥有易学易用的前端编程界面和统一高效的内部核心架构，对普通开发者而言更容易上手并具备领先的训练性能。飞桨自然完备兼容命令式和声明式两种编程范式，默认采用命令式编程范式，并完美地实现了动静统一，开发者使用飞桨可以实现动态图编程调试，一行代码转静态图训练部署。飞桨框架还提供了低代码开发的高层API，并且高层API和基础API采用了一体化设计，两者可以互相配合使用，做到高低融合，确保用户可以同时享受开发的便捷性和灵活性。

超大规模的深度学习模型训练技术

飞桨突破了超大规模深度学习模型训练技术，领先其它框架实现了千亿稀疏特征、万亿参数、数百节点并行训练的能力，解决了超大规模深度学习模型的在线学习和部署难题。此外，飞桨还覆盖支持包括模型并行、流水线并行在内的广泛并行模式和加速策略，率先推出业内首个通用异构参数服务器架构、4D混合并行策略和自适应大规模分布式训练技术，引领大规模分布式训练技术的发展趋势。

多端多平台部署的高性能推理引擎

飞桨对推理部署提供全方位支持，可以将模型便捷地部署到云端服务器、移动端以及边缘端等不同平台设备上，并拥有全面领先的推理速度，同时兼容其它开源框架训练的模型。飞桨推理引擎支持广泛的AI芯片，特别是对国产硬件做到了全面的适配。

产业级开源模型库

飞桨建设了大规模的官方模型库，算法总数达到500多个，包含经过产业实践长期打磨的PP特色模型、业界主流模型以及在国际竞赛中的夺冠模型；提供面向语义理解、图像分类、目标检测、图像分割、文字识别（OCR）、语音合成等场景的多个端到端开发套件，满足企业低成本开发和快速集成的需求。飞桨的模型库是围绕国内企业实际研发流程量身定制打造的产业级模型库，服务企业遍布能源、金融、工业、农业等多个领域。

行业应用

制造行业

在制造行业，飞桨支持从“设计→生产→运输→销售”四个关键环节实现AI技术的应用，实现从生产到销售全环节工业智能化改造。

设计环节：应用PARL实现了复杂装备工艺的参数（火用）低损设计和应用研究。德龙钢铁在轧钢铸钢的生产环节中应用此技术后，节能了15%。

生产环节：PaddleSeg（Mask R-CNN）、PaddleDetection（PP-PicoDet）和PaddleOCR（PP-OCRv2）三个套件的串联应用，实现了生产环节的装配定位、屏幕划痕鉴定和主板编码识别。精研科技和中国大恒（集团）有限公司北京图像视觉技术分公司在生产环节应用此技术后，产线每个工位由原来的2~3人降低到1个人，甚至所有工位只需要1个人即可，人工成本节约60%以上。

运输环节：PaddleDetection两个PP特色模型（PP-YOLOE和PP-Tracking）的串联应用，实现了货物计数和无人叉车。机械科学发展研究院、京东物流应用此技术后，安全事故频率降低了90%，翻箱率降低了46%~65%。

销售环节：应用PaddleNLP（SKEP）实现情感倾向分类预测。上海音智达应用此技术后，由AI完全替代了原本的专人查验。

智慧城市

在智慧城市，飞桨支持在精准治理、惠民服务、产业经济和生态宜居四个核心场景实现AI技术的应用。结合云、网、边、端、智五位一体，实现应用覆盖拓宽加深。

车流量统计：应用PaddleDetection（PP-Tracking）实现实时车流量监控。上海音智达和北京德厚泉应用此技术后，不但缓解了交通堵塞情况，单个卡口通行量增加了15%。

表单信息自动读取：应用PaddleOCR（PP-OCRv2）实现表单信息自动读取。弘连火眼应用此技术后，原本4小时/人/天的人工审核工作降低到4分钟/人/天，业务效率提升了60倍。

农业用地监管：应用PaddleSeg（DeepLabv3+）实现农业用地监管。航天宏图应用此技术后，对于区域小型项目，原本每年2次的线上审图，需要1~2个月周期，现在仅专人进行标注和核验，20天即可完成，人力成本提升了30%以上，同时监控即时性由半年提升至小时级别。

出入口行人管控：应用PaddleDetection（PP-YOLOE）实现出入口行人监控。上海天覆科技应用此技术后，可疑人员、流浪宠物等入侵报警的漏检率明显提升，监管效率提升70%，漏检率降低30%以上。原来需要24小时3班倒，现在只需1~2人处理紧急情况即可。

能源行业

在能源行业，飞桨支持从“勘探开发→生产运营→配电优化→检修服务”四个关键环节实现AI技术的应用，实现从勘探到销售全环节智能化改造。

勘探开发：应用PaddleNLP（LSTM）实现风电功率预测。内蒙电力应用此技术后，有效预警电力供应超负荷减少完全宕机停产时间33%。原本全年每10台风机平均宕机需要停产30天维修，现在有效预警使得宕机情况较少，全年每10台风机停产维修时间缩短为20天左右。

生产运营：应用PaddleDetection（PP-YOLOE）实现线路巡检。御航智能应用此技术后，导线异物巡检的效率提升了3倍。

输配调度：应用PaddleNLP（LSTM）实现电力负荷预测。国网枣庄供电应用此技术后，电力消耗的精准性提升了5倍以上。

服务销售：应用PaddleSpeech（Conformer）实现智能客服。ACG电力调度机器人方案应用此技术后，从原本的人工调度，全部转为AI自动语音调度。大量减少各系统运行监护人员，人工替代率高达90%。

金融行业

在金融行业，飞桨支持在身份核验、智能营销、封控风险和智能客服四个核心场景实现AI技术的应用，从营销到服务智能化变革加速。

身份核验、来客分析：应用PaddleClas（PP-ShiTu）实现人脸识别。南京奥拓应用此技术后，每个营业厅由原来的2个人进行核验减少到1个人进行复查即可，大约节约人工核验成本30万/年。

智能营销：应用PaddleNLP（DuEE事件抽取）实现金融APP精准营销。金融科技服务FA公司和棕榈科技应用此技术后，通过分析金融APP用户关注理财产品类别，提升金融产品销售额。

风险控制：应用PaddleNLP（UIE信息抽取）实现合同审查和校验。南京奥拓应用此技术后，原本每个部门都设有至少2个人进行合同录入、审查和校验，而现在可全部有AI机器替代。

智能客服：应用PaddleOCR（PP-OCRv3）实现通用卡证结构化提取。信雅达应用此技术后，人工录入成本降低了95%。

生态建设

开发者生态

PPDE

PPDE（PaddlePaddle Developers Experts）是飞桨开发者技术专家的荣誉认证体系，由飞桨开发者技术专家、飞桨高级开发者技术专家和飞桨资深开发者技术专家组成。无论是热爱编程开发的资深程序员、大型技术社区的引领者，还是顶级开源软件的committer、新兴科技公司创始人或CTO，这些开发者技术专家将通过线上线下等各种形式深度交流探讨，成为飞桨产品研发团队与开发者们的又一重要连接点，带领广大飞桨开发者携手推动AI技术的创新与发展。当然，飞桨也为PPDE们做好了相应的服务与支持。成为PPDE中的一员后，除了有专属的PPDE系列活动外，还将享有从技术专家认证、顶级峰会交流与演讲邀约，到全球技术游学、PPDE专项赞助等丰富权益。截至2025年7月，PPDE计划成员已达到370人。

飞桨领航团

飞桨领航团成立于2020年9月，是由各个地方深度学习从业者组成的技术社群。飞桨领航团为用户提供学习资料、深度学习培训及考试资料信息等多种福利，成员还可参与飞桨组织的线下活动，交流技术拓展人脉。截至2025年4月，飞桨领航团已在全球建立了490+个组织，覆盖23个城市和470+所高校，汇聚8万+名AI开发者。

飞桨特别兴趣小组

飞桨特殊兴趣小组（PPSIG）旨在通过开放的社区形式与全球开发者共同构建一个开放、多元和架构包容的生态体系，以开源理念和技术实践为驱动，让全球的开发者更紧密的协作起来，构建更好的开源世界。截至2022年3月，PPSIG有12个小组在活跃，130+位Contributors为飞桨社区贡献了100+开源项目，提交了100+个PR，150+个issues，涉及垂类模型建设、数据集标注工具、多模态、模型部署、开发工具等开源贡献。

飞桨博士会

飞桨博士会是由飞桨发起的深度学习技术俱乐部，成员皆为博士及以上学历，且具备深度学习研究和实践经验。飞桨博士会旨在构建人工智能时代下的深度学习核心学者及开发者交流圈，着眼深度学习及交叉学科等科研前沿领域，并推动产业落地实践，致力于用科技让复杂的世界更简单。截至2025年7月，飞桨博士会有成员190余位。

社区活动

AI竞赛

飞桨星河社区比赛平台（AI Studio）是基于百度集团深度学习平台飞桨的人工智能学习与实训社区，提供在线编程环境、免费GPU算力、海量开源算法和开放数据，帮助开发者快速创建和部署模型。该平台已举办500余场国际AI大赛，提供千万级总奖池，汇聚50万来自全球多国的精英开发者，培养上万名顶尖选手。赛题覆盖AI技术前沿领域，致力于打造全球领先的AI赛事，聚才兴业，竞促发展。

AI课程

飞桨AI Studio星河社区是针对AI学习者的一站式学习与实训社区。该平台提供专业易用的开发工具与丰富前沿的学习内容，降低AI应用开发门槛。AI Studio课程提供了丰富多样、科学系统的AI相关课程，可以在这里看视频、做项目、下载学习资料，帮助快速提升AI技能。课程模块提供了精选推荐、AI 快车道、PaddleCamp等多个专栏。

AI活动

飞桨AI Studio星河社区不定期举办各种AI特色活动，100余个频道支持实时交流分享。社区为了助力更多的创作者实现在飞桨星河社区的成长推出了创作者激励计划，鼓励创作者们积极投入。

智能教学

飞桨星河社区平台拥有丰富的预置资源，包括大量预训练模型和数据集，这些资源覆盖了多个应用领域，为非专业学生提供了便捷的学习路径，降低了学习门槛。其次，飞桨星河社区提供强大的在线编程与实验环境，学生可以在云端进行实验操作，无需担心本地环境配置问题，有效提升了实践能力和学习效果。此外，该平台还支持混合式教学模式，结合线上线下教学，为学生提供更加灵活多样的学习体验，有助于激发学生的学习兴趣和积极性。同时，飞桨星河社区平台还注重跨学科融合，为教师提供了丰富的跨学科教学资源和工具，助力设计出具有实际应用价值的课程内容。

教育生态

AI人才培养离不开高校与企业的深度融合。飞桨面向高校推出的产教融合的复合型AI人才培养方案，从高校服务、教学资源、工具与平台三个层面，围绕学习、培训、实践、就业等环节，为高校师生提供丰富多样的资源支持，助力高校人工智能及交叉学科专业建设；并通过科研实验室合作、人工智能教育创新中心、AI+X 产学研融合创新基地等更深入的校企合作形式，共同打造人才培养高地、区域服务高地、产学研协同高地。

飞桨作为中国首个自主研发、开源开放的产业级深度学习平台，持续投入教育生态建设，基于飞桨多年产业实践案例，打造出适用于不同AI基础师生的立体化、多适配性课程资源。飞桨还拥有国内最大的人工智能学习与实训社区AI Studio，一站式全方位赋能高校AI人才培养。数据显示，几乎中国每一所高校都有学生在飞桨 AI Studio 进行学习。飞桨已为社会培养了超过300万AI 人才。

在课程建设方面，飞桨依托国家教育改革战略，深化产教融合及校企协同育人，构建起理论教授及实践培养并重的新时代交叉复合型创新人才培养机制，围绕不同专业的人才培养目标，输出具有针对性的教学与实践课程体系。阶段涵盖课程资源5000+课时，实践案例100个，合作高校270+，受益教师2000+，课程累计学习次数690万+。高校老师可以基于飞桨和AI Studio，建设人工智能、深度学习相关课程并在AI Studio平台开展线上教学，组建线上班级、创建课程教学大纲、自研实践教学案例，包括但不限于教学内容，实验案例，实验数据，实验环境配置文件，实验代码，实验手册，实验报告，实验指导讲义，并带领学生完成项目实践任务。

在教育部新工科联盟指导下，飞桨联合顶尖高校，自2018年开启“全国深度学习师资培训班”系列活动，采用“理论讲解+实践应用”的教学模式，帮助高校一线教师“亲历”技术从开发到落地部署的全流程，有效提高学习效率，让其能够将前沿技术、落地方案带回课堂，助力高校AI专业教师培养。截至2024年9月，已经培养5200名AI专业师资，助力499所高校开设人工智能与 AI+X 特色课程。

硬件生态

飞桨框架自发布之初就考虑了多硬件适配的需求，历经持续迭代与演进，3.0版本构建了一套成熟且完善的多硬件统一适配方案：

（1）飞桨聚焦于硬件接口的抽象。飞桨将硬件接口细分为设备管理、计算执行、分布式通信等多个类别，通过标准化的硬件接口成功屏蔽了不同芯片软件栈开发接口之间的差异。通过合理的抽象，减少了适配所需的接口数量，以昇腾芯片适配为例，初步跑通所需适配接口数比PyTorch方案减少56%，适配代码量减少80%。

（2）基于标准化适配接口的定义，飞桨实现了松耦合、可插拔的架构。在此架构下，每类芯片仅需提供标准化适配接口的具体实现，便能轻松融入飞桨后端，极大地简化了芯片接入的流程。

（3）考虑到不同芯片软件栈成熟度的差异，飞桨提供了丰富多样的接入方式，涵盖算子开发、算子映射、图接入、编译器接入等。针对大模型训练与推理需求，飞桨还具备全栈优化能力，如支持动静统一编程范式、超大规模分布式训练技术，提高了模型开发与部署效率。

（4）飞桨与芯片厂商携手合作，共同构建了官方代码合入机制、例行发版机制和持续集成测试等研发基础设施，还建立了日级别例行功能与精度监测，保障开发者使用体验。

这些举措提升了研发效率，确保飞桨与各类芯片的适配工作高效、稳定推进。

飞桨与芯片厂商紧密合作，携手共建蓬勃发展的硬件生态。截至2025年4月，飞桨已与超过40家成员单位开展合作，适配超过60个芯片系列。飞桨已与24家硬件厂商伙伴达成深度合作，共同推出了飞桨生态发行版。飞桨能够有效屏蔽底层硬件之间复杂多样的差异，为开发者提供简洁易用的开发接口。开发者只需编写一份代码，就可以让程序在不同芯片上顺畅运行，轻松实现业务的跨芯片迁移。飞桨的跨平台能力为业务在芯片选择方面带来了前所未有的灵活性，使开发者能够根据实际需求，更加自由、高效地规划业务部署。

市场概况

截至2022年11月底，飞桨平台已凝聚535万开发者，创建了67万个AI模型，服务于20万家企事业单位，广泛应用于工业、能源、交通、农业等领域。

2023年2月，国际权威数据调研机构IDC发布《中国深度学习框架和平台市场份额，2022H2》报告。报告显示，百度集团稳居中国深度学习平台市场综合份额第一。根据2022年下半年IDC对中国深度学习开源框架市场的调研，Meta PyTorch、百度飞桨PaddlePaddle、谷歌TensorFlow已占据80%以上的市场份额，遥遥领先于其他国内外框架。飞桨PaddlePaddle开源框架市场份额超越了谷歌TensorFlow。2021-2022年，飞桨持续位居中国深度学习平台市场综合份额第一。

截至2023年8月，飞桨开源社区累计提交 Commits 超过93万次，以 PR 或 ISSUE 提交形式的开源贡献者超过18000人。

截至2025年4月，飞桨文心开发者数量已达2185万，服务了67万家企业，创建了110万个模型。