号外!号外!号外!从模型拉取到执行预测，只需7行代码，ERNIE开源套件就能用起来!话不多说直接上才艺：

　　如此简洁易用,得益于本次ERNIE语义理解开源开发套件的全新升级。借助国产深度学习框架飞桨动态图优势，本次升级实现了“动态图”与“静态图”的完美结合，即“一套代码，两种运行方式”，使得开发者更加高效、方便的使用ERNIE解决工业生产中的各类NLP问题，达到简单几行代码即可实现基于ERNIE的文本分类、情感分析等经典NLP任务。

　　ERNIE开源套件：https://github.com/PaddlePaddle/ERNIE

　　动态图vs静态图

　　当前，主流深度学习框架的编程方式主要包含“声明式编程”和“命令式编程”两种。通俗来说，前者称为“静态图”，是指用户需要事先把神经网络计算流程定义好，再通过执行器执行;而后者则称为“动态图”，是指用户可以在Python解释器中逐行输入计算指令，而框架在后台同步完成运算。两种方式各有优势，动态图“所见即所得”的特性可以快速实现最新的idea;而静态化的运算流程可以在脱离Python的生产环境中部署上线。

　　为了兼顾两种优势，ERNIE开源套件进行了全新升级，推出了动静合一的ERNIE语义理解开发套件。

　　动静合一的ERNIE开源套件

　　新版ERNIE开源套件突显了模型易取易用性，简单几行代码就可以把ERNIE跑起来。整套核心代码简单、清晰，使得开发者，尤其是刚入门NLP的新手玩家，可以学习各类NLP任务的finetune，加载旧版本checkpoint、C++ inference API、ERNIE-server等每一个重要功能的细节。同时，新版ERNIE开源套件还为广大初学者提供了丰富的AI Studio教程，用户无需自己提供GPU，即可运行ERNIE来完成各类NLP任务，做到了“人人有AI学”。 除此以外，新版ERNIE的环境配置也很简单，大部分的依赖都可以通过pip安装。

　　1. pip install paddle-ernie

　　新版ERNIE套件最大程度地保证了逻辑的简洁，整体模型结构核心代码量较原来减少了41%，并采用了大家熟悉的面向对象设计。几乎所有的网络运算逻辑集中在ernie/modeling_ernie.py文件中，在这里你可以看到ERNIE所支持的全部NLP任务的源代码。各个对象及其对应的NLP任务可见下表：

　　一行一行学NLP

　　对于初学NLP的玩家而言，最好的学习方式莫过于亲自上手调试，把模型拆开后，一步一步调试检查其中的结果以及神经网络流程的走向。为此，新ERNIE套件内置了丰富的教程(https://github.com/PaddlePaddle/ERNIE#%E6%95%99%E7%A8%8B)：你无需提供运算资源，在网页端即可运行教程代码。目前官方提供的示例教程包括：

　　从0开始学ERNIE

　　情感识别

　　完形填空

　　知识蒸馏

　　万事不决问ERNIE

　　这些教程既含有ERNIE原理解释，也涵盖了ERNIE的训练和预测过程。例如在“万事不决问ERNIE”中，通过一小段代码，展示了ERNIE做阅读理解任务的过程：

　　又例如，在“从0开始学ERNIE”中，整个训练循环被浓缩成下面几行:

　　除此之外，新ERNIE套件动态执行的代码可以很方便地配合Python的debuger或者第三方IDE的调试模式(如PyCharm)，进行逐行debug。例如，你可以在教程中任意地方插入ipdb的debug语句：

　　Python解释器运行到插入的语句时会自动暂停，你可以在debugger的交互环境中输入相应的指令来观察程序的状态，如：

　　1. p featuer.numpy()

　　则debugger 返回feature tensor中的所有内容：

　　简单易用的分布式Finetune功能

　　为了提升ERNIE的Finetune速度，最新ERNIE套件全新支持了分布式Finetune功能。依托飞桨动态分布式API优势，开发者仅需一个封装:model = FD.parallel.DataParallel(model, ctx) ，模型便具备了分布式训练的能力。当你在Python程序中显式调用apply_collective_grads 时，系统会进行一次全局通信来平均所有运算进程中产生的loss 梯度。你需要做的是，在运行环境中使用启动器：paddle.distributed.launch 来在参与训练的每一张GPU卡上启动训练进程。由启动器拉起来的进程会自动发现对方并开始多机通信。

　　动态编程，静态部署

　　为了保证动态图模型部署的性能，兼容针对静态图做的部署代码性能优化。开发者可选择通过TracedLayer.trace API将动态模型序列化成为静态模型使用:

　　在调用TracedLayer.trace API时，开发者可动态传入两个虚拟构造出来的tensor;分别代表即将输入的 token id 和 sentence type id ，paddle后台会自动追踪ERNIE的forward 过程并把中间运行的op序列化下来，成为静态图模型。随后便可调用静态图 save_inference_model API将模型保存下来。如此保存下来的模型与旧版本模型并无二致。

　　得益于本次动静合一的全新升级，开发者可以更方便地获取ERNIE强大的语义理解能力，赋能各行各业智能化转型，助燃智能经济腾飞。

　　百度在自然语言处理领域已有二十年的积累与沉淀，具备最前沿、最全面、最领先的技术布局，不仅专注于前瞻技术探索，更致力通过技术应用解决实际问题。飞桨是中国首个开源开放、功能完备的产业级深度学习平台，集深度学习核心框架、基础模型库、端到端开发套件、工具组件和服务平台于一体。目前，飞桨累计开发者数量194万，服务企业数量8.4万家，基于飞桨平台产生了23.3万模型。飞桨助力开发者快速实现AI想法、快速上线AI业务，帮助越来越多的行业完成AI 赋能，实现产业智能化升级。