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。赛题一至七详见文章：

第六届中国软件开源创新大赛——飞桨赛题新鲜出炉，速来pick!

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。