| 提交作者 | wjc、mkm |
| 提交时间 | 2022-04-15 |
| 版本号 | V1.0 |
| 依赖飞桨版本 | V2.2 |
| 文件名 | 20220415_api_eval_for_to_static.md |
飞桨框架于 2.0 正式版之后正式发布了动静转换功能，并在2.1、2.2 两个大版本中不断新增了各项功能，以及详细的使用文档和最佳实践教程。
在本任务中，全面体验飞桨的动静转换@to_static功能，即参考飞桨官网 -> 使用指南 -> 动态图转静态 下的内容，体验动转静模型导出、动转静训练等功能，产出一份整体功能体验报告.
从用户角度深度体验飞桨动静转换功能，并产出一份评估报告
飞桨框架于 2.0 正式版之后正式发布了动静转换功能，并在2.1、2.2 两个大版本中不断新增了各项功能，以及详细的使用文档和最佳实践教程。
- 动态图编程： 采用Python的编程风格，解析式地执行每一行网络代码，并同时返回计算结果；其运算和搭建同时进行，也就是可以先计算前面的节点的值，再根据这些值搭建后面的计算图。
- 静态图编程： 采用先编译后执行的方式。需先在代码中预定义完整的神经网络结构，然后再输入数据进行计算。
- 动态图编程体验更佳、更易调试，但是因为采用 Python 实时执行的方式，开销较大，在性能方面与 C++ 有一定差距；静态图调试难度大，但是其执行性能更佳，并且预先拥有完整网络结构也更利于全局优化。
在TensorFlow1.0时代，采用的是静态计算图，使用静态计算图分两步，第一步定义计算图，第二部在会话中执行计算图；即首先需要先使用TensorFlow的各种算子创建计算图，通过placeholder进行输入数据的占位，然后再开启一个会话Session，通过feed_dict传入输入数据同时显式执行计算图。
而在TensorFlow2.0时代，采用的是动态计算图，即每使用一个算子后，该算子会被动态加入到隐含的默认计算图中立即执行得到结果，而无需开启Session。使用动态计算图即Eager Excution的好处是方便调试程序。它会让TensorFlow代码的表现和Python原生代码的表现一样，写起来就像写numpy一样，各种日志打印，控制流全部都是可以使用的。
动态计算图运行效率相对较低。在TensorFlow2.0中可以用@tf.function装饰器将普通Python函数转换成和TensorFlow1.0对应的静态计算图构建代码。转换的这个过程称为AutoGraph
pytorch采用的是动态计算图方式，运算与搭建同时进行，灵活易调节。pytorch转换为静态计算图，有两种方法torch.jit.trace和torch.jit.script。torch.jit.trace：顾名思义跟踪，给定模型一个输入（只要求输入的shape正确），开始执行一次前向传播，会追踪运行经过的模块算子，实时构建计算力图。缺点是trace将不会捕获根据输入数据而改变的行为。比如依赖于数据的分支判断。如果要使用动态控制流导出模型，则需要使用torch.jit.script。torch.jit.script：从Python源代码级别进行解析，而非在运行时构建。
对第三部分调研的方案进行对比评价和对比分析，论述各种方案的优劣势。
- 目前pytorch采用的是动态计算图的方式，灵活容易调节。通过torch.jit.trace和torch.jit.script转换为静态图，但是torch.jit.trace无法追踪到模型中的动态运行结构，比如与依赖于数据的分支判断；而torch.jit.script目前只支持编译部分Python语法，像继承、生成器等复杂的控制流结构无法进行转换。
全面体验飞桨的动静转换@to_static功能，即参考飞桨官网 -> 使用指南 -> 动态图转静态下的内容，体验动转静模型导出、动转静训练等功能，产出一份整体功能体验报告。评估内容包含如下几个方面：
- 接口层面：接口功能是否覆盖所有使用场景；InputSpec 指定信息是否好用
- 语法层面：语法支持是否完备；控制流语法转换是否流畅
- 报错层面：报错信息可读性；调试工具是否易用
- 文档层面：教程文档是否完善，是否具有较好的指导性
- 意见建议：非常欢迎提供更多的建设性意见和建议
从用户的角度提供一份飞桨动静转换的评估报告，按照第五步中的评估内容进行体验，并反馈每个步骤的问题和卡点；写下动静转换任务的使用体验和感受。
对多个深度学习框架有一定的使用基础，并且对深度学习下动态图与静态图机制有一定的了解，可以满足在当前版本周期内评估完成。
需要进一步讨论的问题，开放性问题，有争议问题；对其他模块是否有影响 从用户的角度基于paddlepaddle框架对动静转换进行评估。