王者荣耀AI绝悟完全体对战开启，英雄竟能随便选
人工智能 2 级就来越塔来杀我，这游戏怎么玩？
从双向估计，到一步预测中间帧。视频插帧，通常是用光流预测算法来预测中间帧，并插入两帧之间。光流，就像光的流动一样，是一种通过颜色来表示图像中目标移动方向的方式。
深度学习框架在编程界面上，一般有两种编程模式：命令式编程和声明式编程，即动态图和静态图。动态图模式下程序可即时执行并输出结果，编程体验和调试便捷性更佳；静态图模式下需完成整体网络结构的定义再执行，编程调试便捷性不够，但能够对全局编译优化，更有利于性能的提升，并天然利于模型保存和部署。
飞桨同时支持这两种编程模式，经过长期的深入技术探索和创新，已经实现同时兼顾两种方式的优势，达成了更有利于开发者的“动静统一的理想国”：
-
模型开发时，采用动态图模式，编程效率高调试方便； -
模型训练部署时，支持动态图一键式自动转静态图，实现高性能训练，并无缝衔接模型存储和部署。
在飞桨开源框架最新版本上，该模式已经达到很高的成熟完备度。开发者既可体验到动态图开发模式带来的极大的便利性，用动态图实现深度学习领域最前沿的模型算法；又可享受到经过极致优化的运行效率，并且可以很容易的将动态图转换为静态图来进行推理和部署。
成熟的动态图模式，可以为开发者带来极致体验，更优雅地编程。总结一下，便利性主要体现在以下三方面：
-
调试程序的便利性。在动态图开发模式下，用户运行飞桨提供的API后，可即时返回运行结果，不需要先创建计算图再运行，这样便于用户更加方便地组织代码，交互式地调试程序。 -
组建网络的高效性。在动态图开发模式下，用户可以使用Python的条件判断、循环等控制语句来执行模型算法的运算，不再需要使用静态图中的控制操作来执行运算，这样便于用户更加高效地组建网络。 -
构建模型的灵活性。在动态图开发模式下，用户可以根据控制流选择不同的分支网络，也可以更自然地构建权重共享的网络，更自然地实现自定义损失函数和循环网络、以及其他新颖的网络结构，从而灵活地进行深度学习模型的创新。
同时，在最新版本上，飞桨动态图提供了对计算机视觉、自然语言处理、推荐系统、语音识别等领域主流算法模型的全面支持，同时也对前沿的学术研究提供了非常好的支持。已开放的动态图模型数量达到了100+。这些模型都已开源在GitHub上，开发者可基于动态图模型进行AI应用开发和前沿学术研究：
https://github.com/PaddlePaddle/models/tree/develop/dygraph
一行代码实现动转静。
from paddle.static import InputSpec
from paddle.fluid.dygraph import Layer
from paddle.jit import to_static
class SimpleNet(Layer):
def __init__(self):
super(SimpleNet, self).__init__()
self.linear = paddle.nn.Linear(10, 3)
@to_static(input_spec=[InputSpec(shape=[None, 10], name=’x’), InputSpec(shape=[3], name=’y’)])
def forward(self, x, y):
out = self.linear(x)
out = out + y
return out
net = SimpleNet()
paddle.jit.save(net, ‘./simple_net’)