目前主流深度学习框架支持的编程方式有两种，分别为动态图和静态图。动态图的pythonic编程体验更佳、更易调试，但性能方面与静态图有一定差距。静态图先组网再执行，预先拥有完整网络结构，更利于全局优化，虽调试难度大，但执行性能更佳。

百度采用动静统一的技术架构设计，提供了动转静（@to_static）模块功能，支持用户动态图编程，并可一键切换静态图训练和部署。2022年11月，框架 2.4 版本(以下简称飞桨v2.4)正式发布，动转静“转换成功率”和“训练性能”迎来全面升级，带来了全新的用户使用体验。

动转静成功率明显提升，一键转换成功率达到92.1%。
动转静训练加速效果明显，重点模型训练可提速18%+。

一键转静成功率明显提升

动转静的转换成功率是动转静功能的一个重要指标，与用户的使用体验息息相关，v2.4从“动转静语法完善”和“api动静行为统一”两个方面进行了重点优化和升级：

动转静语法完善

jit 式动态执行

新增 shape、len、attr、list、unpack、indexable等jit 形式接口，提升语法转写的鲁棒性。

控制流语法重构

重构了控制流if/for/while语法转写逻辑，完备支持复杂嵌套场景下变量名解析等疑难问题。

关键字语法优化

优化了控制流中提前return、break、continue 等关键字语法转写机制，有效减少了静态图中间表示多余算子的引入，提升执行效率。

api动静行为统一

属性参数可变

完成了20多个中高频动态图api参数的升级，如

reduce系列的.mean/sum/max/min api的参数 axis ，新增支持为tensor类型，动态可变。

接口动静统一

补齐了tensor类静态图下缺失的接口，升级了.to_tensor、.grad等高频api 功能，支持静态图调用。

einsum 升级

实现了动静统一爱因斯坦求和算子，并支持python二元、多元输入，训推一体。

动转静成功率和语法支持度

v2.4下，动转静具备了更丰富的语法支持，python语法支持比例达到了90%，在80多个外部用户真实论文复现模型集合上，动转静一键转写成功率提升至92.1%，功能完备性和易用性都有明显提升。

如下是一个动转静导出预测模型的样例代码：

import paddle

class simplenet(paddle.nn.layer):
    def __init__(self):
        super(simplenet, self).__init__()
        self.linear = paddle.nn.linear(10, 3)

    @paddle.jit.to_static   # step 1： 添加装饰器
    def forward(self, x):
        out = self.linear(x)
        out = out + 1
        return out

net = simplenet()
train(net)  # 此处略去了训练过程

# step 2: 切换到 eval() 模式
net.eval()
# step 3: 调用 jit.save 接口
paddle.jit.save(net, path='./simple_net')

执行上述代码样例后，在当前目录下会生成三个文件，即代表成功导出预测模型：

simple_net.pdiparams        // 存放模型中所有的权重数据
simple_net.pdmodel          // 存放模型的网络结构
simple_net.pdiparams.info   // 存放额外的其他信息

动转静导出模型一般包括三个步骤：

添加装饰器

将@to_static装饰器装饰在forward函数上。

切换 eval 模式

如dropout 、layernorm 接口在 train() 和 eval() 模式下行为存在较大的差异，在模型导出前，请务必确认模型已切换到正确的模式。

调用 save 接口

调用 .jit.save接口导出其对应的模型文件和参数文件。

动转静@to_staitc更多功能用法，可参考【扩展阅读—动转静使用样例】

动转静训练加速效果明显

在框架中，通常情况下使用动态图训练即可满足大部分场景需求。v2.4优化了动转静训练的相关逻辑，面向重点模型，动态图训练的性能已经可以和静态图媲美，例如在resnet50、transformer、yolov3等模型上，动转静训练相较于动态图有18.6%~21.5%的显著加速效果。

重点模型加速效果

在如下场景中，开发者可以考虑使用动转静方式进行模型训练，将会获得较明显的性能提升效果。

场景一：重调度模型

即每个api背后的gpu kernel 计算耗时较少，在cpu端拉起后很快就执行完了，此类任务的特点：

pu 利用率较低（可通过watch -n 1 nvidia-smi命令查看）。
常见于nlp 领域或amp/fp16 任务。
训练性能瓶颈点主要是host端调度开销。

如上图是重调度模型的动态图和动转静 timeline 示意图。从图中可以看出：

一个batch的训练耗时取决于 host 端总耗时。
动态图每个python api在运行时，都会产生一次python 和c++交互，会产生较大的调度开销。
动转静之后，整体上切分为执行前向和反向的两个python c api，故减少了很多个api间的调度开销。
动转静内核执行器也经过了极致的优化（如instruction缓存等），kernel launch效率也会比纯动态图模式要高。

对于想使用动态图训练代码的用户来说，只需要在组网入口的forward函数处添加装饰器@to_static，其他代码无需改动就可以一键切换为动转静训练。@to_static装饰器会将此函数内的所有sublayers 转化为一个静态子图并执行。如下是一个动转静训练样例代码：

import paddle

class simplenet(paddle.nn.layer):
    def __init__(self):
        super(simplenet, self).__init__()
        self.linear = paddle.nn.linear(10, 3)

    @paddle.jit.to_static   # 仅需一行代码
    def forward(self, x):
        out = self.linear(x)
        out = out + 1
        return out

# create network
net = simplenet()
adam = opt.adam(learning_rate=0.001, parameters=net.parameters())

for batch_id, x in enumerate(data_loader()):
    out = net(x)
    loss = paddle.mean(out)
    loss.backward()
    opt.step()
    opt.clear_grad()

场景二：调度+计算共存模型

即模型训练时同时存在计算量小和计算量大的gpu kernel，且一个batch的起始位置常为小kernel，此类任务的特点：

gpu 利用率波动比较大（可通过watch -n 1 nvidia-smi命令查看）。
训练性能瓶颈点同时受局部调度和局部 kernel 计算效率影响。

如上图是调度+计算共存的动态图和动转静timeline示意图。从图中可以看出：

一个batch的训练耗时取决于 max(host端，gpu端)。
动转静降低了python c api 调度开销，收益点大多在batch前半部分，后半部分可能会被overlap，调度方面的收益会打折扣。
动转静可借助全局图优化技术，通过算子融合等技术提升模型训练的吞吐。

在此种场景下，动转静@to_static api 提供build_strategy参数，在动转静的全图视角下，用户可以通过build_strategy参数开启不同的全局图优化策略。通过装饰器@to_static(build_strategy=get_build_strategy())或者api调用.jit.to_static(net, build_strategy=get_build_strategy())两种方式开启全局图优化策略，如下是一个简单的使用样例：

import numpy as np
import paddle
import paddle.nn as nn

def get_build_strategy():
    build_strategy = paddle.static.buildstrategy()
    # 算子融合策略
    build_strategy.fuse_elewise_add_act_ops = true
    # 梯度 addto 策略
    build_strategy.enable_addto = true
    os.environ['flags_max_inplace_grad_add'] = "8"
    return build_strategy

class resnet(paddle.nn.layer):
    # 此处省略了模型定义
    @to_static(build_strategy=get_build_strategy()) # 方式一
    def forward(self, image):
        # 省略前向代码

# create network
net = resnet()
# 借助 build_strategy 参数自定义开启「全局图优化」策略
net = paddle.jit.to_static(net, build_strategy=get_build_strategy()) # 方式二

adam = opt.adam(learning_rate=0.001, parameters=net.parameters())

for batch_id, image in enumerate(data_loader()):
    out = layer(image)
    loss = paddle.mean(out)
    loss.backward()
    opt.step()
    opt.clear_grad()