飞桨对昆仑XPU芯片的支持

飞桨自2.0版本起支持在昆仑XPU上运行，经验证的模型训练和预测的支持情况如下：

训练支持

可实现模型单机单卡/单机多卡的训练，如下图所示：

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
LSTMNLP模型链接静态图/动态图X86（Intel）支持
Bert-BaseNLP模型链接静态图/动态图X86（Intel）支持（静态图）
Ernie-BaseNLP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PaddleClasrelease/2.1
目标检测PaddleDetectionrelease/2.1
图像分割PaddleSegrelease/2.1
NLPPaddleNLPrelease/2.0
推荐PaddleRecrelease/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_detOCR动态图X86（Intel）
ch_ppocr_mobile_v2.0_recOCR动态图X86（Intel）
ch_ppocr_server_v2.0_detOCR动态图X86（Intel）
ch_ppocr_server_v2.0_recOCR动态图X86（Intel）
LSTMNLP静态图X86（Intel）
Bert-BaseNLP静态图X86（Intel）
Ernie-BaseNLP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。