从FM到DeepFM rt 增加了10 倍怎么优化？ 深度学习应用主要的挑战： 2.模型效果优 化困难 1.方案复杂  训练优化:  数据并行  模型并行  推理优化: Blade  推荐模型优化: 千亿特征 3. 工程优化 RingAllReduce + 层级级联 EasyVision 多机多卡性能对比 工程优化: 数据并行  M6模型  Transformer模型: RapidFormer性能 工程优化: 模型并行(Whale)  FP16 / Int8  模型剪枝  Op融合(Fusion Stitch)  MILR: Blade Disc 工程优化: Blade模型推理 Dynamic Shape Compiler for Machine Learning Workloads EmbeddingVariable [No Hash 病预测等） Infrastructure PAI平台（Platform of Artificial Intelligence） • 一键部署、弹性扩缩 • 多框架、多语言 • 推理优化Blade • 多维度监控+报警 • 自定义镜像 • 全托管+半托管 • 分布式训练优化 • 超大资源池 智能标注 可视化建模(Designer) 分布式训练(DLC) 在线服务(EAS)

• Adam Bowden • Aditya Agarwal + • Ahmed Ibrahim + • Alastair Porter + • Alex Povel + • Alex-Blade • Alexandra Sciocchetti + • AlonMenczer + • Andras Deak + • Andrew Hawyrluk • Andy Grigg + • to this release. People with a “+” by their names contributed a patch for the first time. • Alex-Blade + • Andrew Hawyrluk • JHM Darbyshire • Jeff Reback • Joris Van den Bossche • Marc Garcia • Marco

to this release. People with a “+” by their names contributed a patch for the first time. • Alex-Blade + • Andrew Hawyrluk • JHM Darbyshire • Jeff Reback • Joris Van den Bossche • Marc Garcia • Marco