upgrade guide added (#2650)

* upgrade guide added

* update migration tool page

* minor change

* minor change

* update codes and format

* no ci for upgrade_guide

* minor

* minor

ci_scripts/api_white_list.txt

@@ -8,3 +8,4 @@ paddle/reader/ComposeNotAligned_cn.rst
 paddle/fluid/layers/scatter_cn.rst
 paddle/tensor/manipulation/scatter_cn.rst
 paddle/distributed/fleet/Fleet_cn.rst
+upgrade_guide_cn.md

doc/paddle/guides/index_cn.rst

@@ -2,23 +2,24 @@
 使用教程
 ########
 
-PaddlePaddle (PArallel Distributed Deep LEarning)是一个易用、高效、灵活、可扩展的深度学习框架。
+飞桨开源框架(PaddlePaddle)是一个易用、高效、灵活、可扩展的深度学习框架。
 
-您可参考PaddlePaddle的 `Github <https://github.com/PaddlePaddle/Paddle>`_ 了解详情，也可阅读 `版本说明 <../release_note_cn.html>`_ 了解新版本的特性。
-
-让我们从学习PaddlePaddle基本概念这里开始：
+您可参考飞桨框架的 `Github <https://github.com/PaddlePaddle/Paddle>`_ 了解详情，也可阅读 `版本说明 <../release_note_cn.html>`_ 了解2.0beta版本的特性。
 
+让我们从学习飞桨的基本概念这里开始：
 
 - `Tensor概念介绍 <tensor_introduction.html>`_ : 飞桨中数据的表示方式，Tensor概念介绍，
-- `版本迁移 <./migration_cn.html>`_：介绍 Paddle 1 到Paddle 2的变化与Paddle1to2转换工具的使用。
-- `动态图转静态图 <./dygraph_to_static/index_cn.html>`_：介绍 Paddle 动态图转静态图的方法 
-- `模型存储与载入 <./model_save_load_cn.html>`_：介绍 Paddle 模型与参数存储载入的方法
+- `飞桨框架2.0beta升级指南 <./upgrade_guide_cn.html>`_: 介绍飞桨开源框架2.0beta的主要变化和如何升级。
+- `版本迁移工具 <./migration_cn.html>`_: 介绍paddle1to2转换工具的使用。
+- `动态图转静态图 <./dygraph_to_static/index_cn.html>`_: 介绍飞桨动态图转静态图的方法 
+- `模型存储与载入 <./model_save_load_cn.html>`_: 介绍飞桨模型与参数存储载入的方法
 
 
 ..  toctree::
     :hidden:
 
     tensor_introduction.md
+    upgrade_guide_cn.md
     migration_cn.rst
     dygraph_to_static/index_cn.rst
     model_save_load_cn.rst

doc/paddle/guides/migration_cn.rst

-版本迁移
+版本迁移工具
 ====================
 
-飞桨框架v2.0-beta，最重要的变化为API体系的全面升级以及动态图能力的全面完善。下文将简要介绍Paddle
-2的变化。
+在飞桨框架2.0beta中，我们API的位置、命名、参数、行为，进行了系统性的调整和规范, 将API体系从1.X版本的 ``paddle.fluid.*`` 迁移到了 ``paddle.*`` 下。paddle.fluid目录下暂时保留了1.8版本API，主要是兼容性考虑，未来会被删除。
 
-主要变化
---------
-
-在飞桨框架v2.0中，我们做了许多的升级。首先，全面完善了动态图模式，相较于静态图而言，动态图每次执行一个运算，可以立即得到结果，能够使算法的开发变得更加高效。此外，本版本对API目录，进行了较大的调整。将API体系从1.X版本的
-``paddle.fluid.*`` 迁移到了 ``paddle.*`` 下。原则上，Paddle
-2仍支持Paddle 1下的所有语法。但是，我们会逐步废弃掉 ``paddle.fluid``
-下的API，强烈建议您将Paddle 1的代码迁移到Paddle
-2下，以避免后续带来不必要的麻烦。下文将介绍手动与自动两种方式，来完成Paddle
-1到Paddle 2的迁移。
-
-手动将Paddle 1 的代码迁移到 Paddle 2
-------------------------------------
-
-本节将介绍如何将您的代码手动的从Paddle 1迁移到Paddle 2。
-
-1、API的变化
-~~~~~~~~~~~~
-
-对于Paddle
-1下的API，您可以通过我们提供的API升级表（TODO），查看每个API的升级关系，从而手动完成修改。
-### 2、句法的变化 在Paddle 1中，通过 ``with fluid.dygraph.guard():``
-开启动态图模式，在Paddle 2.0-beta中，可以直接通过
-``paddle.disable_static()``\ 开启动态图。
-
-Paddle1to2 自动迁移您的代码到Paddle2
+使用版本迁移工具自动迁移您的paddle1.x的代码到Paddle2.0beta的代码
 ------------------------------------
 
-Paddle 2 包含了许多API的变化，为了节约您将代码从Paddle 1迁移到Paddle
-2的时间，我们提供了自动迁移工具–Paddle1to2，能够帮助您快速完成代码迁移。
+WARNING: 版本自动迁移工具并不能处理所有的情况，在使用本工具后，您仍然需要手工来进行检查并做相应的调整。
 
 安装
 ~~~~
 
-Paddle1to2可以通过pip的方式安装，方式如下:
+paddle1to2工具可以通过pip的方式安装，方式如下:
 
 .. code:: ipython3
 
@@ -52,8 +26,7 @@ Paddle1to2 可以使用下面的方式，快速使用:
 
     ! paddle1to2 --inpath /path/to/model.py
 
-这将在命令行中，以\ ``diff``\ 的形式，展示model.py从Paddle 1转换为Paddle
-2的变化。如果您确认上述变化没有问题，只需要再执行：
+这将在命令行中，以\ ``diff``\ 的形式，展示model.py从Paddle1.x转换为Paddle2.0beta的变化。如果您确认上述变化没有问题，只需要再执行：
 
 .. code:: ipython3
 
@@ -86,27 +59,24 @@ Paddle1to2 可以使用下面的方式，快速使用:
 开始
 ^^^^
 
-在使用Paddle 1to2前，需要确保您已经安装了Paddle 2.0-beta版本。
+在使用paddle1to2前，需要确保您已经安装了Paddle2.0beta版本。
 
 .. code:: ipython3
 
     import paddle
     print (paddle.__version__)
-    # TODO change to paddle 2.0-beta
-
 
 .. parsed-literal::
 
-    0.0.0
+    2.0.0-beta0
 
 
-克隆\ `PaddlePaddle/models <https://github.com/PaddlePaddle/models>`__\ 来作为工具的测试。
+克隆\ `paddlePaddle/models <https://github.com/PaddlePaddle/models>`__\ 来作为工具的测试。
 
 .. code:: ipython3
 
     ! git clone https://github.com/PaddlePaddle/models
 
-
 .. parsed-literal::
 
     Cloning into 'models'...
@@ -121,8 +91,7 @@ Paddle1to2 可以使用下面的方式，快速使用:
 查看帮助文档
 ^^^^^^^^^^^^
 
-paddle1to2 会随着 paddle
-2.0-beta安装。所以您可以直接通过下面的方式，查看帮助文档。
+您可以直接通过下面的方式，查看帮助文档。
 
 .. code:: ipython3
 
@@ -156,17 +125,17 @@ paddle1to2 会随着 paddle
                             for each file.
 
 
-Paddle 1的例子
+paddle1.x的例子
 ^^^^^^^^^^^^^^
 
-这里是一个基于Paddle 1实现的一个mnist分类，部分内容如下：
+这里是一个基于paddle1.x实现的一个mnist分类，部分内容如下：
 
 .. code:: ipython3
 
     ! head -n 198 models/dygraph/mnist/train.py | tail -n  20
 
 
-.. parsed-literal::
+.. code:: ipython3
 
         with fluid.dygraph.guard(place):
             if args.ce:
@@ -190,7 +159,7 @@ Paddle 1的例子
                     train_reader)
 
 
-使用Paddle1to2进行转化
+使用paddle1to2进行转化
 ^^^^^^^^^^^^^^^^^^^^^^
 
 paddle1to2支持单文件的转化，您可以通过下方的命令直接转化单独的文件。
@@ -227,8 +196,7 @@ paddle1to2支持单文件的转化，您可以通过下方的命令直接转化
 
 -  本迁移工具不能完成所有API的迁移，有少量的API需要您手动完成迁移，具体信息可见WARNING。
 
-使用Paddle 2
+使用paddle 2
 ~~~~~~~~~~~~
 
-完成迁移后，代码就从Paddle 1迁移到了Paddle 2，您就可以在Paddle
-2下进行相关的开发。
+完成迁移后，代码就从paddle1.x迁移到了paddle2.0beta，您就可以在paddle2.0beta下进行相关的开发。

doc/paddle/guides/upgrade_guide_cn.md

+# 飞桨框架2.0beta升级指南
+
+## 升级概要
+本版本是2.0版的公测版，相对1.8版本有重大升级，涉及开发方面的重要变化如下：
+
+ - 动态图功能完善，动态图模下数据表示概念为Tensor，推荐使用动态图模式；
+ - API目录体系调整，API的命名和别名进行了统一规范化，虽然兼容老版API，但请使用新API体系开发；
+ - 数据处理、组网方式、模型训练、多卡启动、模型保存和推理等开发流程都有了对应优化，请对应查看说明；
+
+以上变化请仔细阅读本指南。对于已有模型的升级，我们还提供了2.0转换工具（见附录）提供更自动化的辅助。
+其他一些功能增加方面诸如动态图对量化训练、混合精度的支持、动静转换等方面不在本指南列出，具体可查看[Release Note](https://github.com/PaddlePaddle/Paddle/releases/tag/v2.0.0-beta0#)或对应文档。
+
+## 一、动态图
+
+### 推荐优先使用动态图模式
+飞桨2.0版本将会把动态图作为默认模式。2.0-beta版本虽然还未做默认切换，但推荐大家优先使用动态图模式，需要在程序开始时调用`paddle.disable_static`切换到动态图。2.0-rc版本后默认模式将切换为动态图，此行代码可删除。（2.0-rc版本后如果还想使用静态图，可通过调用`paddle.enable_static`切换）。
+
+```python
+import paddle
+
+# 2.0-beta版本需要调用下面代码，切换到动态图模式
+# 2.0-rc版本可以删除这一行
+paddle.disable_static()
+```
+
+### 使用Tensor概念表示数据
+静态图模式下，由于组网时使用的数据不能实时访问，Paddle用Variable来表示数据。
+动态图下，从直观性等角度考虑，将数据表示概念统一为Tensor。动态图下Tensor的创建主要有两种方法：
+
+1. 通过调用paddle.to_tensor函数，将python scalar/list，或者numpy.ndarray数据转换为Paddle的Tensor。具体使用方法，请查看官网的API文档。
+
+```python
+import paddle
+
+paddle.disable_static()
+paddle.to_tensor(1)
+paddle.to_tensor((1.1, 2.2))
+paddle.to_tensor(np.random.randn(3, 4))
+```
+
+2. 通过调用``paddle.zeros, paddle.ones, paddle.full, paddle.arange, paddle.rand, paddle.randn, paddle.randint, paddle.normal, paddle.uniform`等函数，创建并返回Tensor。
+
+## 二、API
+### API目录结构
+
+为了API组织更加简洁和清晰，将原来padddle.fluid.xxx的目录体系全新升级为paddle.xxx，并对子目录的组织进行了系统的条理化优化。同时还增加了高层API，可以高低搭配使用。paddle.fluid目录下暂时保留了1.8版本API，主要是兼容性考虑，未来会被删除。
+**基于2.0的开发任务，请使用paddle目录下的API，不要再使用paddle.fluid目录下的API。** 如果发现Paddle目录下有API缺失的情况，推荐使用基础API进行组合实现；您也可以通过在 [github](https://github.com/paddlepaddle/paddle) 上提issue的方式向我们反馈。
+
+**2.0-beta版本的API 整体目录结构如下**：
+
+| 目录 | 功能和包含的API |
+| :--- | --------------- |
+| paddle.*          | paddle根目录下保留了常用API的别名，当前包括：paddle.tensor和paddle.framework目录下的所有API |
+| paddle.tensor     | 跟tensor操作相关的API，比如：创建zeros, 矩阵运算matmul, 变换concat, 计算add, 查找argmax等 |
+| paddle.nn         | 跟组网相关的API，比如：Linear，卷积，LSTM，损失函数,激活函数等 |
+| paddle.static.nn  | 静态图下组网专用API，比如：输入占位符data, 全连接层fc, 控制流while_loop/cond |
+| paddle.static | 静态图下基础框架相关API，比如：Variable, Program, Executor等 |
+| paddle.framework  | 框架通用API和动态图模式的API，比如：to_tensor, no_grad等 |
+| paddle.optimizer  | 优化算法相关API，比如：SGD，Adagrad, Adam等                  |
+| paddle.optimizer.lr_scheduler  | 学习率衰减相关API                  |
+| paddle.metric     | 评估指标计算相关的API，比如：accuracy, auc等             |
+| paddle.io         | 数据输入输出相关API，比如：Dataset, DataLoader等 |
+| paddle.device     | 设备管理相关API，比如：CPUPlace， CUDAPlace等                |
+| paddle.distributed      | 分布式相关基础API                                                |
+| paddle.distributed.fleet      | 分布式相关高层API                                         |
+| paddle.vision     | 视觉领域API，比如，数据集，数据处理，常用基础网络结构，比如resnet             |
+| paddle.text       | NLP领域API, 比如，数据集，数据处理，常用网络结构，比如Transformer |
+
+### API别名规则
+
+- 为了方便用户使用，API会在不同的路径下建立别名：
+	- 所有framework, tensor目录下的API，均在paddle根目录建立别名；除少数特殊API外，其他API在paddle根目录下均没有别名。
+	- paddle.nn目录下除functional目录以外的所有API，在paddle.nn目录下均有别名；functional目录中的API，在paddle.nn目录下均没有别名。
+- **推荐用户优先使用较短的路径的别名**，比如`paddle.add -> paddle.tensor.add`，推荐优先使用`paddle.add`
+- 以下为一些特殊的别名关系，推荐使用左边的API名称：
+  - paddle.sigmoid -> paddle.tensor.sigmoid -> paddle.nn.functional.sigmoid
+  - paddle.tanh -> paddle.tensor.tanh -> paddle.nn.functional.tanh
+  - paddle.remainder -> paddle.mod -> paddle.floor_mod
+  - paddle.divide -> paddle.true_divide
+  - paddle.rand -> paddle.uniform
+  - paddle.randn -> paddle.standard_normal
+  - Optimizer.clear_grad -> Optimizer.clear_gradients
+  - Optimizer.set_state_dict -> Optimizer.set_dict
+  - Optimizer.get_lr -> Optimizer.current_step_lr
+  - Layer.clear_grad -> Layer.clear_gradients
+  - Layer.set_state_dict -> Layer.set_dict
+
+### 常用API名称变化
+
+- 加、减、乘、除使用全称，不使用简称
+- 对于当前逐元素操作，不加elementwise前缀
+- 对于按照某一轴操作，不加reduce前缀
+- Conv, Pool, Dropout, BatchNorm, Pad组网类API根据输入数据类型增加1d, 2d, 3d后缀
+
+  | Paddle 1.8  API名称  | Paddle 2.0-beta 对应的名称|
+  | --------------- | ------------------------ |
+  | paddle.fluid.layers.elementwise_add | paddle.add               |
+  | paddle.fluid.layers.elementwise_sub | paddle.subtract           |
+  | paddle.fluid.layers.elementwise_mul | paddle.multiply          |
+  | paddle.fluid.layers.elementwise_div | paddle.divide |
+  | paddle.fluid.layers.elementwise_max | paddle.maximum             |
+  | paddle.fluid.layers.elementwise_min | paddle.minimum |
+  | paddle.fluid.layers.reduce_sum | paddle.sum |
+  | paddle.fluid.layers.reduce_prod | paddle.prod |
+  | paddle.fluid.layers.reduce_max | paddle.max        |
+  | paddle.fluid.layers.reduce_min | paddle.min        |
+  | paddle.fluid.layers.reduce_all | paddle.all        |
+  | paddle.fluid.layers.reduce_any | paddle.any        |
+  | paddle.fluid.dygraph.Conv2D | paddle.nn.Conv2d |
+  | paddle.fluid.dygraph.Conv2DTranspose | paddle.nn.ConvTranspose2d |
+  | paddle.fluid.dygraph.Pool2D | paddle.nn.MaxPool2d, paddle.nn.AvgPool2d |
+
+## 三、开发流程
+### 数据处理
+数据处理推荐使用**paddle.io目录下的Dataset，Sampler, BatchSampler, DataLoader接口**，不推荐reader类接口。一些常用的数据集已经在paddle.vision.datasets和paddle.text.datasets目录实现，具体参考API文档。
+
+```python
+from paddle.io import Dataset
+
+class MyDataset(Dataset):
+    """
+    步骤一：继承paddle.io.Dataset类
+    """
+    def __init__(self, mode='train'):
+        """
+        步骤二：实现构造函数，定义数据读取方式，划分训练和测试数据集
+        """
+        super(MyDataset, self).__init__()
+
+        if mode == 'train':
+            self.data = [
+                ['traindata1', 'label1'],
+                ['traindata2', 'label2'],
+                ['traindata3', 'label3'],
+                ['traindata4', 'label4'],
+            ]
+        else:
+            self.data = [
+                ['testdata1', 'label1'],
+                ['testdata2', 'label2'],
+                ['testdata3', 'label3'],
+                ['testdata4', 'label4'],
+            ]
+
+    def __getitem__(self, index):
+        """
+        步骤三：实现__getitem__方法，定义指定index时如何获取数据，并返回单条数据（训练数据，对应的标签）
+        """
+        data = self.data[index][0]
+        label = self.data[index][1]
+
+        return data, label
+
+    def __len__(self):
+        """
+        步骤四：实现__len__方法，返回数据集总数目
+        """
+        return len(self.data)
+
+# 测试定义的数据集
+train_dataset = MyDataset(mode='train')
+val_dataset = MyDataset(mode='test')
+
+print('=============train dataset=============')
+for data, label in train_dataset:
+    print(data, label)
+
+print('=============evaluation dataset=============')
+for data, label in val_dataset:
+    print(data, label)
+```
+
+### 组网方式
+#### Sequential 组网
+
+针对顺序的线性网络结构我们可以直接使用Sequential来快速完成组网，可以减少类的定义等代码编写。
+
+```python
+import paddle
+paddle.disable_static()
+
+# Sequential形式组网
+mnist = paddle.nn.Sequential(
+    paddle.nn.Flatten(),
+    paddle.nn.Linear(784, 512),
+    paddle.nn.ReLU(),
+    paddle.nn.Dropout(0.2),
+    paddle.nn.Linear(512, 10)
+)
+```
+
+#### SubClass组网
+
+ 针对一些比较复杂的网络结构，就可以使用Layer子类定义的方式来进行模型代码编写，在`__init__`构造函数中进行组网Layer的声明，在`forward`中使用声明的Layer变量进行前向计算。子类组网方式也可以实现sublayer的复用，针对相同的layer可以在构造函数中一次性定义，在forward中多次调用。
+
+```python
+import paddle
+paddle.disable_static()
+
+# Layer类继承方式组网
+class Mnist(paddle.nn.Layer):
+    def __init__(self):
+        super(Mnist, self).__init__()
+
+        self.flatten = paddle.nn.Flatten()
+        self.linear_1 = paddle.nn.Linear(784, 512)
+        self.linear_2 = paddle.nn.Linear(512, 10)
+        self.relu = paddle.nn.ReLU()
+        self.dropout = paddle.nn.Dropout(0.2)
+
+    def forward(self, inputs):
+        y = self.flatten(inputs)
+        y = self.linear_1(y)
+        y = self.relu(y)
+        y = self.dropout(y)
+        y = self.linear_2(y)
+
+        return y
+
+mnist = Mnist()
+```
+
+### 模型训练
+
+#### 使用高层API
+
+增加了paddle.Model高层API，大部分任务可以使用此API用于简化训练、评估、预测类代码开发。注意区别Model和Net概念，Net是指继承paddle.nn.Layer的网络结构；而Model是指持有一个Net实例，同时指定损失函数、优化算法、评估指标的可训练、评估、预测的实例。具体参考高层API的代码示例。
+
+```python
+import paddle
+paddle.disable_static()
+
+train_dataset = paddle.vision.datasets.MNIST(mode='train')
+test_dataset = paddle.vision.datasets.MNIST(mode='test')
+lenet = paddle.vision.models.LeNet()
+
+# Mnist继承paddle.nn.Layer属于Net，model包含了训练功能
+model = paddle.Model(lenet)
+
+# 设置训练模型所需的optimizer, loss, metric
+model.prepare(
+    paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()),
+    paddle.nn.CrossEntropyLoss(),
+    paddle.metric.Accuracy(topk=(1, 2))
+    )
+
+# 启动训练
+model.fit(train_dataset, epochs=2, batch_size=64, log_freq=200)
+
+# 启动评估
+model.evaluate(test_dataset, log_freq=20, batch_size=64)
+```
+
+#### 使用基础API
+
+```python
+import paddle
+
+paddle.disable_static()
+train_dataset = paddle.vision.datasets.MNIST(mode='train')
+test_dataset = paddle.vision.datasets.MNIST(mode='test')
+lenet = paddle.vision.models.LeNet()
+
+# 加载训练集 batch_size 设为 64
+train_loader = paddle.io.DataLoader(train_dataset, places=paddle.CPUPlace(), batch_size=64, shuffle=True)
+
+def train():
+    epochs = 2
+    adam = paddle.optimizer.Adam(learning_rate=0.001, parameters=lenet.parameters())
+    # 用Adam作为优化函数
+    for epoch in range(epochs):
+        for batch_id, data in enumerate(train_loader()):
+            x_data, y_data = data
+            predicts = lenet(x_data)
+            loss = paddle.nn.functional.cross_entropy(predicts, y_data, reduction='mean')
+            acc = paddle.metric.accuracy(predicts, y_data, k=1)
+            avg_acc = paddle.mean(acc)
+            loss.backward()
+            if batch_id % 100 == 0:
+                print("epoch: {}, batch_id: {}, loss is: {}, acc is: {}".format(epoch, batch_id, loss.numpy(), avg_acc.numpy()))
+            adam.step()
+            adam.clear_grad()
+# 启动训练
+train()
+```
+
+### 单机多卡启动
+2.0增加paddle.distributed.spawn函数来启动单机多卡训练，同时原有的paddle.distributed.launch的方式依然保留。
+
+#### 方式1、launch启动
+
+##### 高层API场景
+
+当调用paddle.Model高层来实现训练时，想要启动单机多卡训练非常简单，代码不需要做任何修改，只需要在启动时增加一下参数`-m paddle.distributed.launch`。
+
+```bash
+# 单机单卡启动，默认使用第0号卡
+$ python train.py
+
+# 单机多卡启动，默认使用当前可见的所有卡
+$ python -m paddle.distributed.launch train.py
+
+# 单机多卡启动，设置当前使用的第0号和第1号卡
+$ python -m paddle.distributed.launch --selected_gpus='0,1' train.py
+
+# 单机多卡启动，设置当前使用第0号和第1号卡
+$ export CUDA_VISIABLE_DEVICES='0,1'
+$ python -m paddle.distributed.launch train.py
+```
+
+##### 基础API场景
+
+如果使用基础API实现训练，想要启动单机多卡训练，需要对单机单卡的代码进行4处修改，具体如下：
+
+```python
+import paddle
+import paddle.distributed as dist
+
+paddle.disable_static()
+train_dataset = paddle.vision.datasets.MNIST(mode='train')
+test_dataset = paddle.vision.datasets.MNIST(mode='test')
+
+# 加载训练集 batch_size 设为 64
+train_loader = paddle.io.DataLoader(train_dataset, places=paddle.CPUPlace(), batch_size=64, shuffle=True)
+
+def train():
+    # 第1处改动，初始化并行环境
+    dist.init_parallel_env()
+
+    # 第2处改动，增加paddle.DataParallel封装
+    net = paddle.DataParallel(LeNet())
+    epochs = 2
+    adam = paddle.optimizer.Adam(learning_rate=0.001, parameters=net.parameters())
+    # 用Adam作为优化函数
+    for epoch in range(epochs):
+        for batch_id, data in enumerate(train_loader()):
+            x_data = data[0]
+            y_data = data[1]
+            predicts = net(x_data)           acc = paddle.metric.accuracy(predicts, y_data, k=2)
+            avg_acc = paddle.mean(acc)
+            loss = paddle.nn.functional.cross_entropy(predicts, y_data)
+
+            # 第3处改动，归一化loss
+            avg_loss = net.scale_loss(avg_loss)
+            avg_loss.backward()
+            # 第4处改动，同步梯度
+            net.apply_collective_grads()
+            if batch_id % 100 == 0:
+                print("epoch: {}, batch_id: {}, loss is: {}, acc is: {}".format(epoch, batch_id, avg_loss.numpy(), avg_acc.numpy()))
+            adam.step()
+            adam.clear_grad()
+
+# 启动训练  
+train()
+```
+
+修改完后保存文件，然后使用跟高层API相同的启动方式即可
+
+```bash
+# 单机单卡启动，默认使用第0号卡
+$ python train.py
+
+# 单机多卡启动，默认使用当前可见的所有卡
+$ python -m paddle.distributed.launch train.py
+
+# 单机多卡启动，设置当前使用的第0号和第1号卡
+$ python -m paddle.distributed.launch --selected_gpus '0,1' train.py
+
+# 单机多卡启动，设置当前使用第0号和第1号卡
+$ export CUDA_VISIABLE_DEVICES='0,1'
+$ python -m paddle.distributed.launch train.py
+```
+
+#### 方式2、spawn启动
+
+launch方式启动训练，以文件为单位启动多进程，需要用户在启动时调用`paddle.distributed.launch`，对于进程的管理要求较高。2.0版本增加了spawn启动方式，可以更好地控制进程，在日志打印、训练退出时更友好。
+
+```bash
+# 启动train多进程训练，默认使用所有可见的GPU卡
+if __name__ == '__main__':
+    dist.spawn(train)
+
+# 启动train函数2个进程训练，默认使用当前可见的前2张卡
+if __name__ == '__main__':
+    dist.spawn(train, nprocs=2)
+
+# 启动train函数2个进程训练，默认使用第4号和第5号卡
+if __name__ == '__main__':
+    dist.spawn(train, nprocs=2, selelcted_gpus='4,5')
+```
+
+### 模型保存
+Paddle保存的模型有两种格式，一种是训练格式，保存模型参数和优化器相关的状态，可用于恢复训练；一种是预测格式，保存预测的静态图网络结构以及参数，用于预测部署。
+#### 高层API场景
+
+高层API下用于预测部署的模型保存方法为：
+
+```python
+model = paddle.Model(Mnist())
+# 预测格式，保存的模型可用于预测部署
+model.save('mnist', training=False)
+# 保存后可以得到预测部署所需要的模型
+```
+
+#### 基础API场景
+
+动态图训练的模型，可以通过动静转换功能，转换为可部署的静态图模型，具体做法如下：
+
+```python
+import paddle
+from paddle.jit import to_static
+from paddle.static import InputSpec
+
+class SimpleNet(paddle.nn.Layer):
+    def __init__(self):
+        super(SimpleNet, self).__init__()
+        self.linear = paddle.nn.Linear(10, 3)
+
+    # 第1处改动
+    # 通过InputSpec指定输入数据的形状，None表示可变长
+    # 通过to_static装饰器将动态图转换为静态图Program
+    @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
+
+paddle.disable_static()
+
+net = SimpleNet()
+
+# 第2处改动
+# 保存静态图模型，可用于预测部署
+paddle.jit.save(net, './simple_net')
+```
+### 推理
+推理库Paddle Inference的API做了升级，简化了写法，以及去掉了历史上冗余的概念。API的变化为纯增，原有API保持不变，但推荐新的API体系，旧API在后续版本会逐步删除。
+
+#### C++ API
+
+重要变化：
+
+- 命名空间从 `paddle` 变更为 `paddle_infer`
+- `PaddleTensor`, `PaddleBuf` 等被废弃，`ZeroCopyTensor` 变为默认 Tensor 类型，并更名为 `Tensor`
+- 新增 `PredictorPool` 工具类简化多线程 predictor 的创建，后续也会增加更多周边工具
+- `CreatePredictor` (原 `CreatePaddlePredictor`) 的返回值由 `unique_ptr` 变为 `shared_ptr` 以避免 Clone 后析构顺序出错的问题
+
+API 变更
+
+| 原有命名                     | 现有命名                     | 行为变化                      |
+| ---------------------------- | ---------------------------- | ----------------------------- |
+| 头文件 `paddle_infer.h`      | 无变化                       | 包含旧接口，保持向后兼容      |
+| 无                           | `paddle_inference_api.h`     | 新API，可以与旧接口并存       |
+| `CreatePaddlePredictor`      | `CreatePredictor`            | 返回值变为 shared_ptr         |
+| `ZeroCopyTensor`             | `Tensor`                     | 无                            |
+| `AnalysisConfig`             | `Config`                     | 无                            |
+| `TensorRTConfig`             | 废弃                         |                               |
+| `PaddleTensor` + `PaddleBuf` | 废弃                         |                               |
+| `Predictor::GetInputTensor`  | `Predictor::GetInputHandle`  | 无                            |
+| `Predictor::GetOutputTensor` | `Predictor::GetOutputHandle` | 无                            |
+|                              | `PredictorPool`              | 简化创建多个 predictor 的支持 |
+
+使用新 C++ API 的流程与之前完全一致，只有命名变化
+
+```c++
+#include "paddle_infernce_api.h"
+using namespace paddle_infer;
+
+Config config;
+config.SetModel("xxx_model_dir");
+
+auto predictor = CreatePredictor(config);
+
+// Get the handles for the inputs and outputs of the model
+auto input0 = predictor->GetInputHandle("X");
+auto output0 = predictor->GetOutputHandle("Out");
+
+for (...) {
+  // Assign data to input0
+  MyServiceSetData(input0);
+
+  predictor->Run();
+
+  // get data from the output0 handle
+  MyServiceGetData(output0);
+}
+```
+
+#### Python API
+
+Python API 的变更与 C++ 基本对应，会在2.0RC版发布。
+
+
+## 附录
+### 2.0转换工具
+为了降级代码升级的成本，我们提供了转换工具，可以帮助将Paddle 1.8版本开发的代码，升级为2.0-beta的API。由于相比于Paddle 1.8版本，2.0-beta版本的API进行了大量的升级，包括API名称，参数名称，行为等。转换工具当前还不能覆盖所有的API升级；对于无法转换的API，转换工具会报错，提示用户手动升级。
+
+https://github.com/PaddlePaddle/paddle1to2
+
+对于转换工具没有覆盖的API，请查看官网的API文档，手动升级代码的API。
+
+### 2.0文档教程
+以下提供了2.0版本的一些示例教程：
+
+您可以在官网[应用实践](https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-beta/tutorial/index_cn.html)栏目内进行在线浏览，也可以下载在这里提供的源代码:
+https://github.com/PaddlePaddle/book/tree/develop/paddle2.0_docs
+
+### 2.0API升级列表
+- [Release Note](https://github.com/PaddlePaddle/Paddle/releases/tag/v2.0.0-beta0#)
+- [API新增列表](https://github.com/PaddlePaddle/Paddle/wiki/Paddle-2.0beta-New-API-List)
+- [API升级列表](https://github.com/PaddlePaddle/Paddle/wiki/Paddle-2.0beta-Upgraded-API-List)