1. 目标

目前飞桨2.0 Beta版本已经发布，不久的将来即将发布2.0 RC版本和2.0正式版，在2.0版本中，飞桨深度学习框架面向用户体验做了一系列的升级优化：API体系的全面升级以及命令式编程（动态图）能力的全面完善；系统优化了飞桨基础API的目录结构，全面修复了历史遗留的相关问题，并对API做了充分补充，特别是提供了更为完善的高层API功能；同时提供了对动态图的量化训练、混合精度训练的支持，动静转换实现了完备的语法支持，并且易用性大幅提升，动态图相关功能趋于完善，默认推荐使用动态图模式；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；此外，推理库的C++接口也做了升级优化，推理库对量化模型的支持以及推理性能都有了全面增强。

这是飞桨框架的一个全新版本，为了能够让用户快速掌握到飞桨框架升级内容，并了解和学习如何使用2.0进行相关任务的开发，我们进行应用案例教程的立项，在不同的任务场景上为用户提供一个端到端的易学案例，来快速的传递相关知识和使用方法。

在此呼吁广大的飞桨开发者来一起共建我们的应用案例教程，努力为用户提供更加优质的示例教程，为用户学会使用框架铺设一条高速公路。

2. 教程清单

目前我们从已有内容和待补充方向进行了初步评估，梳理了以下建议的选题方向和题目，并为大家提供了比较优秀的对标文章进行学习参考，大家可以从这个列表中选择自己想要进行贡献的题目，或者也可以进行非列表内的题目自选。

类别	标题	参考链接
计算机视觉	通过OCR实现验证码识别	https://keras.io/examples/vision/captcha_ocr/
计算机视觉	基于fine-tuning的图像分类	https://keras.io/examples/vision/image_classification_efficientnet_fine_tuning/
计算机视觉	通过Sub-Pixel实现图像超分辨率	https://keras.io/examples/vision/super_resolution_sub_pixel/
自然语言处理	基于seq2seq的文本加法	https://keras.io/examples/nlp/addition_rnn/
自然语言处理	使用预训练的词向量	https://keras.io/examples/nlp/pretrained_word_embeddings/
自然语言处理	基于Bert的语义相似度计算	https://keras.io/examples/nlp/semantic_similarity_with_bert/
自然语言处理	通过transformer实现文本分类	https://keras.io/examples/nlp/text_classification_with_transformer/
生成模型	通过DCGAN实现人脸图像生成	https://pytorch.org/tutorials/beginner/dcgan_faces_tutorial.html
生成模型	通过CycleGAN实现图像风格迁移	https://keras.io/examples/generative/cyclegan/
结构化数据	信用卡反欺诈-样本不均衡下的分类任务	https://keras.io/examples/structured_data/imbalanced_classification/
时序数据	通过AutoEncoder实现时序数据异常检测	https://keras.io/examples/timeseries/timeseries_anomaly_detection/

3. 贡献指南

3.1 飞桨框架2.0版本安装和使用

1. 飞桨（PaddlePaddle）版本统一使用2.0最新版，安装说明：https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-beta/install/index_cn.html。
2. 2.0版本使用教程：https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-beta/guides/index_cn.html。
3. 2.0版本已有应用实践教程：https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-beta/tutorial/index_cn.html。

3.2 题目认领

1. 可以在上面提供的列表中进行题目选择或自选题目，并将确定的题目回复到本Issue中，方便他人同步知晓已开展的文章列表信息，避免重复选题。

3.3 教程编写

1. 应用案例教程统一使用Notebook格式（.ipynb）来进行编写，可以在本地安装使用Jupyter开发，或使用AIStudio（https://aistudio.baidu.com）。

2. 为了方便大家进行教程的编写，并统一阅读体验，下面为大家提供了一个简单的概要框架，大家根据实际任务按照下面的框架结构进行内容编写和组织，可以结合实际场景进行微调。如果对模板有一些建议我们也可以在下面进行回复讨论。

   # 题目
   
   作者信息：Github ID (github个人主页URL)
   
   ## 1. 简要介绍
   简单的一段文字介绍本案例场景和用到的一些知识点，不用太复杂的讲述知识细节，
   
   ## 2. 环境设置
   导入包，运行一些初始化方法
   
   ## 3. 数据集
   讲述数据集的一些基础信息，描述数据集组成等。进行数据集的下载、抽样查看、数据集定义等。
   
   ## 4. 模型组网
   基于Layer定义模型网络结构，模型的可视化展示。可以概要讲述一些网络结构代码设计的原因。
   
   ## 5. 模型训练
   使用模型网络结构和数据集进行模型训练。需要讲述一些实践中的知识点。
   
   ## 6. 模型评估
   使用评估数据评估训练好的模型。
   
   ## 7. 模型预测
   对模型进行预测，展示效果。

3.4 教程上传

1. 写好的文档通过向https://github.com/PaddlePaddle/book仓库提交Pull Request的方式来进行教程文档的上传。
2. 对提交好的PR可以指定Reviewer（saxon-zh、jzhang533、TCChenlong）进行内容和代码的评审，通过后会由具有Merge权限的同学进行最终的合入。

3.5 一些原则

• 代码封装得当，易读性好，不用一些随意的变量/类/函数命名。
• 注释清晰，不仅说明做了什么，也要说明为什么这么做。
• 文字部分暂时不用考虑国际化，先统一使用中文编写，注意概念和描述的清晰度，尽量让大家通俗易懂，如果实在难以解释，可以给出一些能够详细介绍的页面链接。
• 代码编写过程中能使用高层API的部分就使用高层API，无法使用高层API的部分就使用基础API。高层API使用指南：链接
• 做好代码的自测工作，每段代码块需要有运行结果。

4. 已合入仓库的教程

目前已经有13篇基于飞桨2.0的教程贡献，查看方式：

1. Repo目录查看已经Merge的Notebook源文件：https://github.com/PaddlePaddle/book/tree/develop/paddle2.0_docs。
2. 查看官网渲染后的页面：https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-beta/tutorial/index_cn.html。

5. 还有不清楚的怎么办？

欢迎大家随时在这个Issue下进行提问。

非常感谢大家一起来贡献！共建飞桨繁荣社区！