9月27日，在中关村论坛国际技术交易大会上，一流科技创始人 CEO袁进辉宣布深度学习框架OneFlow v0.5.0正式上线GitHub，他重点介绍了OneFlow v0.5.0的四大特性。本次产品升级也是OneFlow自2020年7月31日开源以来，功能发布最重磅的版本。

高效、易用、完备是任一深度学习框架在未来竞争中胜出的必由之路。在用三年时间对最难的分布式计算和高效性问题进行攻关后，OneFlow开源以来，已历经五次版本更迭，重点从优化编译、API接口等层面攻关易用性体验，同时持续优化分布式性能，保持业界领先地位。

一方面，OneFlow框架一开始就瞄准最具挑战的高效性，攻占技术制高点，并以此成为立足业界的安身之本。另一方面，随着OneFlow v0.5.0的发布，OneFlow将带给开发者革命性的易用性体验，同时，也从全局视角打破了深度学习框架易用性和高效性不可兼得的桎梏，向着全球范围内最好用深度学习框架的目标迈出了坚实的一大步。

本次产品升级也入选了2021年度中关村论坛“百项新技术新产品榜单”。

四个“一”实现极致易用性体验

相比此前的版本，OneFlow v0.5.0在易用性上实现了四大技术特性。

一行代码实现OneFlow与PyTorch切换

凭借易用性，PyTorch在深度学习框架市场异军突起，其在单卡的eager mode，pythonic，面向对象编程等使用设计上广受认可。新发布的OneFlow v0.5.0也接收了其设计想法，使其在编程API层面和PyTorch严格对齐，并对齐了相关模型的200多个算子。

对喜欢使用PyTorch的eager模式的开发者来说，只需更改一行代码，就可以让PyTorch上写的代码在OneFlow中跑起来。

一段代码实现动态图与静态图转换

在编码调试阶段，动态图的编程模式的体验最好，但当模型稳定后，静态图模式在运行效率方面更有优势。因此，最理想的框架是同时支持二者，使用户在一个框架上享受到最佳的动、静态体验，并且最好动、静态图可以自由转换。

在OneFlow v0.5.0中，开发者只需把使用动态模式开发的代码用nn.Graph封装起来，就可以享受静态图的好处。当然，要想实现完全自动的动、静态转换，还需要进一步攻关。

一致性视角实现单机和分布式无缝切换

随着数据和模型的规模越来越大，单卡和单机已经不能满足开发者的需求，很多工业级的深度学习模型必须在分布式集群上训练。

然而，由于分布式编程的门槛太高，且大部分算法科学家对分布式编程并不熟悉，这给分布式训练带来一定挑战。

为了让开发者无须关注复杂的分布式底层细节，只专注于逻辑层面的神经网络搭建，OneFlow创造性地发明了一致性视角（Consistent View）的概念，把分布式的多卡模拟成一块超大的虚拟设备，统一了单机和分布式的编程接口，从而方便让算法工程师低成本使用分布式计算来加速。

一套系统支持各种并行模式

不同神经网络的最优并行方法并不相同，像CNN这类大数据、小模型的神经网络层次最好用数据并行，对超大的全连接层这种模型更大的层次最好用模型并行，对于feature map超大或者层次超深的神经网络更适合流水并行。

但很不幸，原有主流框架仅支持常用的数据并行，要想使用模型并行或者流水并行功能，就必须借助某种插件或者做深度定制，而且这种定制系统都只能用于HugeCTR，Megatron-LM等某一种类型的神经网络。

OneFlow在系统层面支持了数据并行、模型并行和流水并行，不需要额外的插件和定制开发，就可以以最小代码量高效支持任何神经网络。

“人有我优，人无我有”的高效性

要知道，原有深度学习框架都聚焦于单卡的用户体验，仅对适合数据并行的多机多卡场景处理的较好，但遇到Wide and Deep模型、GPT-3等超大模型，开发者就会面临多机多卡编程难、效率低下或无法实现等分布式深度学习的痛点。

尽管这些框架通过改进框架设计或研发NCCL、Horovod、HugeCTR等第三方插件的方式取得了一些进步，但受限于框架本身架构设计的不足，仍不能满足用户对极致性能的需求，而OneFlow在这方面的优势可以概括为“人有我优”和“人无我有”，是所有框架中的最优解决方案。

支撑OneFlow高效性的背后有四大关键技术，其中静态调度和流式执行均为业界首创：

编译器自动编排并行模式和流水线：编译器自动解决从逻辑任务到硬件资源的映射，包括数据并行、模型并行、流水并行的设备分配以及数据路由方案，大大降低分布式编程的复杂度，用户只须关心任务的逻辑结构以及本次任务可使用的硬件资源，而不用去编程实现数据在硬件资源中的流动机制。

静态调度：把所有能在正式运行之前得到的调度策略、资源管理策略等问题都在编译阶段解决，运行时不需要在线求解最优的调度方案，从而大大降低运行时开销。为了让用户在使用高度动态模型时也有良好的体验，OneFlow内部有动静两套执行机制。

去中心化协议：在运行任务时，不再需要中心调度器，只需要支持上下游任务之间局部的握手信号即可，即生产者向消费者发送的请求以及消费者向生产者发送的确认，整个系统以全链路异步的方式运行。

流式执行引擎：区别于其它深度学习框架把数据搬运当成二等公民，OneFlow将数据搬运看作一等公民。在静态分析阶段，OneFlow就把磁盘IO、主存和设备之间数据搬运，节点间数据搬运看作和计算同等重要的任务，在代价分析和调度策略里作为一等公民进行显式建模，从而得到重叠传输和计算的最优方案。

深度学习框架的演进路线

作为新生代深度学习框架，尽管OneFlow在易用性和高效性上具有不俗实力，但它要想在未来进一步扩大在开发者社区中的竞争力，还需要在算子、模型库等完备性上补足功课，而这需要更多社区开发者参与其中。

未来，OneFlow深度学习框架将如何发展？一流科技创始人 袁进辉给出了他的判断：

框架平台标准化：深度学习算法的标准化，带来了软件标准化的机会，深度学习框架正在走向标准化。

生态决定框架未来的竞争力：之江实验室、北京智源人工智能研究院、粤港澳大湾区数字经济研究院、之江实验室、中关村智用人工智能研究院等顶尖AI科研院所已使用OneFlow框架开展研究工作。同时，联合寒武纪、燧原科技、曙光DCU等芯片、云厂商上下游企业，推进适配OneFlow框架的超大模型训练方案。下一步，一流科技将推动与更多芯片厂商和广大开发者的合作，打造AI平台的繁荣生态。

软件2.0趋势：前特斯拉AI负责人Andrej Karpathy曾指出，软件1.0的“经典堆栈”是用Python、C++等语言编写的计算机显式指令，与软件1.0不同，软件2.0用深度学习模型从数据中自动推导生成软件的编程范式，深度学习框架极有可能会朝这一方向迈进。

像数据库产品那样提供标准化服务

面向社区开发者，一流科技在不断提升OneFlow框架用户体验；与此同时，作为一个商业化公司，基于OneFlow框架，相应推出了标准化解决方案，包括云边端AI基础设施OneBrain、OneAgent智能决策平台和OneFlow智能云平台。他们认为，AI产业化机会在于标准化的基础设施和云原生趋势。

OneBrain开发平台具有丰富的开发模式，支持高性能分布式训练、多租户的资源调度和混合云的解决方案。

通过私有化部署，用户可以在OneBrain上可以实现多租户和多任务管理，支持可视化、日志分析等功能，根据用户的集成规模、节点、使用时长等计费。

OneAgent智能决策平台是一个基于深度强化学习的平台，它创造性地使用了微服务架构，主要面向无人对战、路径规划、态势感知与智能博弈、金融量化交易等深度强化学习的应用场景。

此外，OneFlow智能云平台作为面向广大开发者的AI实训与开发平台，提供精品算法讲解、开源算法实测、在线编程环境及算力。它能帮助开发者快速掌握深度学习开发的相关技能，边学边连。未来，OneFlow智能云平台还将面向中小企业用户提供PaaS和SaaS服务，帮助更多企业用AI赋能生产和管理。

目前，一流科技已服务十多家客户，尤其是对性能、大规模分布式场景有迫切需求的头部互联网公司、安防公司、政务云、科研院所等机构，涵盖图像、自然语言处理、金融、广告/推荐等应用场景。