奖金丰厚 等你来拿！第六届开源创新大赛飞桨赛道下半场来啦

最近想要充个电🔋

飞桨邀你开启开源贡献之旅

寻找那个最“会”的你

顶级开源项目、资深研发指导

高阶开发者合作交流

Buff 叠满！

技能提升、丰富简历、高额奖金

你还不心动？

赛事简介

中国软件开源创新大赛已成功举办五届，大赛面向国家“十四五”开源生态发展战略布局，聚焦 “卡脖子”软件领域以及人工智能、大数据、芯片设计、物联网等前沿技术领域的开源软件，旨在为国内开源社区提供展示、交流、合作的平台，激发开源创新活力，培养开源实践人才，助力开源生态建设的高质量发展。

第六届“中国软件开源创新大赛”在国家自然科学基金委信息科学部的指导下，由中国计算机学会（ CCF ）主办，西北工业大学、绿色计算产业联盟、CCF 开源发展委员会联合承办。联合百度飞桨、清华大学等企业单位以及多所高校共同设置赛题，大赛分为“开源项目贡献赛” “开源任务挑战赛” “开源案例教学赛”和“开源代码评注赛”四个赛道。

开源任务挑战赛赛道——飞桨框架任务挑战赛全新上线，通过比赛机制，鼓励选手了解与参与深度学习开源项目，为中国开源生态建设贡献力量。

赛题介绍

本次中国软件开源创新大赛联合飞桨开源社区，开放了实现飞桨框架的 python level jit compiler 、改进 CINN 日志和报错系统、实现飞桨框架动态图反向图的可视化等相关的共计 15+道赛题，面向全球开发者开放报名，目前下半场的比赛已经开启。

以线上比赛的形式进行，参赛选手在规定时间内自由组队（最多三人）选择合适的开发任务，以 Pull Requests 的形式完成贡献，根据项目的难易程度和完成情况，获得相应奖金、礼品和证书，快来组队参赛吧！

比赛报名和参赛的入口为 AI Studio 平台：

https://aistudio.baidu.com/aistudio/competition/detail/911/0/introduction

今天将从赛题八为大家展开介绍。

赛题八：paddleviz 能力扩展——Tensor 信息展示

飞桨深度学习框架提供了动态图编程的模式来开发深度学习模型（方便开发与调试），但动态图的反向图调试能力仍存在不足。@qiuwenbogdut 和 @Tomoko-hjf 两位社区开发者为 Paddle 开发了反向图可视化工具 paddleviz，很大程度上提升了反向图的调试能力。但我们还希望，在现有 paddleviz 基础上，扩展 paddleviz 的能力，进一步提升反向图的调试能力。

赛题九：优化飞桨开源模型 Mask R-CNN 训练性能

飞桨深度学习框架已经发布了很多涵盖多个领域的开源模型，本赛题旨在通过对飞桨深度学习框架支持的开源模型进行优化，提高模型的训练性能，探索飞桨在模型上的性能优化最佳实践。欢迎对深度学习框架和模型优化感兴趣的开发者，展示在模型优化领域的经验和创新性。

赛题十：为 PaddleSOT 项目添加 Python3.11 版本支持

PaddleSOT 是一个 Opcode-Based 的动转静孵化项目，借助 Symbolic Opcode Translator（简称：SOT）在运行时将 PaddlePaddle 动态图组网代码转换为静态图组网代码，具体设计参见：PaddleSOT 项目介绍 PaddleSOT 从一开始是基于 Python 3.8 开发的，并分别在 PaddlePaddle/PaddleSOT#109 和 PaddlePaddle/PaddleSOT#112 支持了 3.9 和 3.10，但 3.11 还是不支持的。因为 3.11 的字节码和 3.8-3.10 的字节码有较大的差异，而 PaddleSOT 是依赖于字节码进行模拟执行的，因此 3.11 的支持需要对 PaddleSOT 进行较多的改动。本赛题要求为 PaddleSOT 增加 Python 3.11 的支持，使 PaddleSOT 能够正确地进行模拟执行、CodeGen 等流程。并在 PaddleSOT 添加 Python 3.11 流水线，使其能够在 CI 中进行测试。

赛题十一：新 IR 组件及 API Python 端适配

随着新 IR 底层核心逻辑已经成熟，需要进一步推广验证。当前新 IR 仅限于在 C++底层进行操作，为了能够尽快让新 IR 替代现有的 IR 体系，需要打通 Python 端到 C++端的新 IR 链路。其中有一项重要工作是需要在 C++端开发新 IR 的组网用 API ，并且暴露到 Python 端，从而为大规模验证新 IR 体系奠定基础。

赛题十二：新 ir 模型结构的可视化工具建设

飞桨深度学习框架近期在重构底层的中间表示（下称：IR），替换原来的 ProgramDesc 为新的 MLIR。具体技术设计详见：IR Dialect。此项目处于高效迭代期，为了加速开发者们对模型、子图级别下新 IR 表示的熟悉，降低功能开发中的调试成本，希望能够给 IR Dialect 添加「可视化」功能。

赛题十三：复数 kernel 调研与实现

现有的深度学习框架主要是基于对实数函数的优化设计的，在主流的深度学习应用场景中，网络的输入变量，中间变量，输出变量都是实数，与此相关的基础设施，比如数组，优化器等组件也都是适用于实数类型。

但随着深度学习应用的扩展，也出现对复数支持的需求，比如图像，语音等领域的傅里叶变换，量子物理领域，其理论体系都是基于复数建立的。虽然并非不能用实数表示复数运算，但稍显繁琐，深度学习框架有原生的复数支持，可以使建模更接近其理论。

赛题十四 &十五：PaddleScience 领域经典论文复现

PaddleScience 作为开源科学计算套件，希望通过复现各类领域内的相关论文，提高该套件的领域覆盖度，验证套件和框架 API 的正确性和完备性，最终提升用户体验，助力科学计算开发者的开发实验。

时间安排

本次活动分为三个阶段，第一阶段与第二阶段分别选出 10 位优秀开发者进入半决赛，通过预答辩，进行阶段性礼品发放，20 位开发者有机会参与决赛答辩并获得最高 5 万元现金奖励。

奖项设置

最后通过答辩的 14 支队伍分获一、二、三等奖。

比赛成绩优秀者，还可以获得百度绿色通道或其他便利，可提升简历曝光度及面试发起率。