###最近在研究深度学习，发现神经网络涉及的领域几乎涵盖了所有能用的到计算机的场景。而百度的部署更是多点发力，导致所有的领域几乎都在开发百度的应用化场景，相比于google和微软，百度的研究性相对弱了一些，但是工业应用做的还是不错的，特别是对英语不太好，又上不了Github的DP爱好者来说，真是福音。
下面就介绍百度的应用开发场景都有哪些。

1、神经网络以及模型的搭建工具
最左边这一类涵盖了数据集构造、数据清洗、模型训练（PGL图神经网络、FLfederal learning联合学习、PALM: PAllel Learning from Multi-tasks多任务学习 ）、模型可视化性能分析、模型实际场景应用的实时进化（PARL）。
值得着重介绍的是AutoDL
AutoDL是一种高效的自动化神经架构设计方法。它通过强化学习设计高质量的定制神经架构。该系统由两个组件组成：神经架构的编码器和模型性能的批评者。编码器使用循环神经网络对神经架构进行编码，critic 根据准确度、模型参数数量等评估采样架构，并将其反馈给编码器。编码器相应地更新其参数，并对一批新的架构进行采样。经过几次迭代，编码器被训练收敛并找到一个质量架构。开源的 AutoDl Design 是 AutoDL 技术的一种实现。
2、端到端套件
这一步分主要是针对性的应用产品，也就是已经做好的模型你拿去用就行了。比如：云计算的弹性算力部署、集群运算、实时检测、图神经网络、NLP文本分析、语音识别、语义分割。
3、基础模型库
用自己的数据集产生模型，集中于4大场景：视觉图像、自然语言处理、推荐系统、语音鉴定与识别
4、预测部署
该部分提供了端到端所需要的实时性配置（云计算中的Paas）相当于卖硬件产品和软件接口。
5、开发训练
这部分是教学性质，让开发人员了解框架，上手了之后能够参与开发。
6、最右侧的三大平台
类似于colab在google中的地位，利用算力绑定客户，打造成生态闭环。甚至AIstudio还提供教学服务，easyDL号称小学生都能训练神经网络。BML应该以后功能是最全的，甚至功能的花样方面可能会超过colab。