动转静概述更新

docs/guides/04_dygraph_to_static/index_cn.rst

@@ -2,11 +2,46 @@
 动态图转静态图
 ###############
 
-动态图在接口易用性，交互式调试等方面具有诸多优势，但在工业界的许多部署场景中（如大型推荐系统、移动端）Python执行开销较大，与C++有一定的差距，静态图部署更具优势。
+=========================
+什么是动态图和静态图？
+=========================
 
-PaddlePaddle 在2.0版本之后，正式支持动态图转静态图（@to_static）的功能，对动态图代码进行智能化分析，自动转换为静态图网络结构，兼顾了动态图易用性和静态图部署性能两方面的优势。
+在深度学习模型构建上，飞桨框架支持动态图编程和静态图编程两种方式，其代码编写和执行方式均存在差异。
 
-如下将详细地介绍动静转换的各个模块内容：
+* **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。在 `模型开发 <../02_paddle2.0_develop/index_cn.html>`_ 章节中，介绍的都是动态图编程方式。
+
+* **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，飞桨框架会将神经网络描述为 `Program` 的数据结构，并对 `Program` 进行编译优化，再调用执行器获得计算结果。
+
+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，但是将前端 Python 编写的神经网络预定义为 Program描述，转到 C++ 端重新解析执行，脱离了 Python 依赖，往往执行性能更佳，并且预先拥有完整网络结构也更利于全局优化。
+
+=========================
+什么场景下需要动态图转静态图？
+=========================
+
+飞桨框架在设计时，考虑同时兼顾动态图的高易用性和静态图的高性能优势，采用『动静统一』的方案：
+
+* **在模型开发时，推荐采用动态图编程。** 可获得更好的编程体验、更易用的接口、更友好的调试交互机制。
+
+* **在模型训练或者推理部署时，只需添加一行装饰器 @to_static，即可将动态图代码转写为静态图代码，并在底层自动使用静态图执行器运行。** 可获得更好的模型运行性能。
+
+方案如下图所示：
+
+.. figure:: images/dygraph_to_static.png
+    :width: 800px
+    :align: center
+
+
+.. centered:: 图1 飞桨框架动静统一方案示意图
+
+
+.. note::
+    飞桨框架 2.0 及以上版本默认的编程模式是动态图模式，包括使用高层 API 编程和基础的 API 编程。如果想切换到静态图模式编程，可以在程序的开始执行 `enable_static()` 函数。如果程序已经使用动态图的模式编写了，想转成静态图模式训练或者保存模型用于部署，可以使用装饰器 @to_static。
+
+想了解动态图和静态图的详细对比介绍，可参见
+`动态图和静态图的差异 <https://www.paddlepaddle.org.cn/tutorials/projectdetail/2134396#anchor-8>`_。
+
+
+**以下将详细地介绍动静转换的各个模块内容：**
 
 - `基础接口用法 <basic_usage_cn.html>`_ : 介绍了动静转换 @to_static 的基本用法