• 体系化： 基于长期的产业实践积累与用户使用习惯的洞察，飞桨重新梳理和优化了API的体系结构，使其更加清晰、科学，让广大开发者可以更容易地根据开发使用场景找到想要的API。此外可以通过class和functional两种形式的API来模块化的组织代码和搭建网络，提高开发效率。同时，API的丰富度有了极大的提升，共计新增API 217个，优化修改API 195个。经过实际验证，开发者使用全新体系的API可以高效复现最前沿的论文中的算法，开发体验进一步提升。
• 简洁化：提供更适合低代码编程的高层API。像数据增强、建立数据流水线等可以标准化的工作流程，以及一些经典的网络模型结构，在飞桨开源框架2.0中，都被封装成了高层API，开发者只需10行代码就可以编写完成训练部分的程序。最为重要的是，与它框架相比，飞桨高层API和基础API并不是相互独立的两个体系，二者完全可以灵活地交叉使用，这一特点称为“高低融合”。对于希望高效完成代码开发的开发者，仅需要使用高层API；而对于想要在高效的开发过程中做定制化调整的开发者，可以将高层API和基础API混合使用，从而满足差异化的需求。
  
  

• 统一的分布式训练Fleet API。在全新的API体系下，分布式训练的API也有较大的调整。飞桨将用户常用的通信策略和启动方式等操作，以及原先分散各处的分布式优化策略相关的API统一归纳到paddle.distributed.fleet之下，形成了Fleet API。开发者可以通过统一的策略配置，实现多种并行模式和加速策略，并且可以通过一行代码启动自动混合精度、多机优化算法或通信优化策略等功能，开发过程更加灵活、便捷，同时也兼容支持动态图模式。而对于一些AI科研人员，如果希望可以灵活的完成一些高级开发工作，则可以使用paddle.distributed.下的其它API。这些API主要包含了通信的基础操作和启动方式等操作，如broadcast等集合通信算子和send/recv操作，以及spawn方式动态图多卡简易启动等。
  此外，分布式训练自动化能力也得到了进一步提升。由于优化策略的数量较多，为了让用户更加方便的使用这些令人眼花缭乱的优化策略，飞桨提供了自动并行功能，仅需要一行配置就可以自动组合出较优并行优化策略，为开发者带来了更好的使用体验。
• 推出异构参数服务器训练架构。该训练架构一举解除了传统参数服务器必须严格使用同一种硬件型号Trainer节点的枷锁，使训练任务对硬件型号不敏感，即可以同时使用不同型号的硬件高效组合进行训练，如CPU、v100、P40、K40、昆仑芯片等。同时还可以解决搜索推荐领域大规模稀疏特征模型训练场景下，IO占比过高导致的芯片资源利用率过低的问题。通过异构参数服务器架构，用户可以在硬件异构集群中部署分布式训练任务，例如云服务器集群，实现对不同算力的芯片高效利用，为用户提供更高吞吐，更低资源消耗的训练能力。

• 发布分布式训练扩展工具包FleetX。FleetX基于飞桨原生提供的分布式训练能力，提供了面向不同的模型的最佳分布式训练实践，在保证收敛效果的前提下最大化用户的集群使用效率。此外，FleetX将分布式训练场景下数据集读取、标准公开数据集和常用模型实现了接口封装，使用户可以实现一键式部署分布式训练任务，大大提升了易用性，欢迎广大开发者体验！

作为技术领先、功能完备的深度学习平台，飞桨对于人工智能硬件做了全面且深度的适配。