飞桨对昆仑XPU芯片的支持¶

训练支持¶

可进行单机单卡/单机多卡训练的模型，如下所示：

模型	领域	模型readme	编程范式	可用的CPU类型	单机多卡支持
VGG16/19	图像分类	模型链接	静态图	X86（Intel）	支持
ResNet50	图像分类	模型链接	静态图	X86（Intel）ARM（飞腾）	支持
MobileNet_v3	图像分类	模型链接	静态图	X86（Intel）	支持
HRNet	图像分类	模型链接	静态图	X86（Intel）	支持
Yolov3-DarkNet53	目标检测	模型链接	静态图	X86（Intel）ARM（飞腾）	支持
Yolov3-MobileNetv1	目标检测	模型链接	静态图	X86（Intel）	支持
PPYOLO	目标检测	模型链接	静态图	X86（Intel）	支持
Mask_RCNN	目标检测	模型链接	静态图	X86（Intel）	支持
Deeplab_v3	图像分割	模型链接	静态图	X86（Intel）	支持
Unet	图像分割	模型链接	静态图	X86（Intel）	支持
LSTM	NLP	模型链接	静态图/动态图	X86（Intel）	支持
Bert-Base	NLP	模型链接	静态图/动态图	X86（Intel）	支持（静态图）
Ernie-Base	NLP		静态图/动态图	X86（Intel）	支持（静态图）
NAML	推荐	模型链接	静态图	X86（Intel）	支持
DQN	强化学习	模型链接	静态图	X86（Intel）	支持

模型放置在飞桨模型套件中，作为github.com/PaddlePaddle下的独立repo存在，git clone下载即可获取所需的模型文件：

领域	套件名称	分支/版本
图像分类	PaddleClas	release/2.1
目标检测	PaddleDetection	release/2.1
图像分割	PaddleSeg	release/2.1
NLP	PaddleNLP	release/2.0
推荐	PaddleRec	release/2.1
强化学习	PARL	>= r1.4

预测支持¶

飞桨框架集成了python原生预测功能，安装飞桨框架即可使用。 在框架之外，飞桨提供多个高性能预测库，包括Paddle Inference、Paddle Serving、Paddle Lite等，支持云边端不同环境下的部署场景，适合相对应的多种硬件平台、操作系统、编程语言，同时提供服务化部署能力。当前预测库验证支持的模型包括：

模型	领域	编程范式	可用的CPU类型
VGG16/19	图像分类	静态图	X86（Intel）
ResNet50	图像分类	静态图	X86（Intel）ARM（飞腾）
GoogleNet	图像分类	静态图	X86（Intel）
yolov3-darknet53	目标检测	静态图	X86（Intel）ARM（飞腾）
yolov3-mobilenetv1	目标检测	静态图	X86（Intel）
ch_ppocr_mobile_v2.0_det	OCR	动态图	X86（Intel）
ch_ppocr_mobile_v2.0_rec	OCR	动态图	X86（Intel）
ch_ppocr_server_v2.0_det	OCR	动态图	X86（Intel）
ch_ppocr_server_v2.0_rec	OCR	动态图	X86（Intel）
LSTM	NLP	静态图	X86（Intel）
Bert-Base	NLP	静态图	X86（Intel）
Ernie-Base	NLP	静态图	X86（Intel）

随着ARM架构的高性能、低功耗、低成本的优势日益突显，ARM CPU更多地进入PC和服务器领域，众多新锐国产CPU也采用ARM架构。在这一趋势下，我们开始尝试在ARM CPU + 昆仑XPU的硬件环境上运行飞桨，当前已验证ResNet50、YOLOv3的训练和预测效果。后续版本将持续增加昆仑XPU在更多模型任务上的验证。