rename fleetx to ppfleetx (#5283)

PaddlePaddle · Sep 16, 2022 · 62554fa · 62554fa
1 parent e8efed2
commit 62554fa
Show file tree

Hide file tree

Showing 10 changed files with 16 additions and 16 deletions.
diff --git a/..._guide/performance_improving/multinode_training_improving/dist_training_gpu.rst b/..._guide/performance_improving/multinode_training_improving/dist_training_gpu.rst
@@ -39,7 +39,7 @@ PaddlePaddle Fluid 支持在现代 GPU [#]_ 服务器集群上完成高性能分
           data_loader.reset()
 
 
-另外，可以使用 DALI 库提升数据处理性能。DALI 是 NVIDIA 开发的数据加载库，更多内容请参考 `官网文档 <https://docs.nvidia.com/deeplearning/dali/user-guide/docs/index.html>`_ 。飞桨中如何结合使用 DALI 库请参考 `使用示例 <https://github.com/PaddlePaddle/FleetX/tree/old_develop/deprecated/benchmark/collective/resnet>`_ 。
+另外，可以使用 DALI 库提升数据处理性能。DALI 是 NVIDIA 开发的数据加载库，更多内容请参考 `官网文档 <https://docs.nvidia.com/deeplearning/dali/user-guide/docs/index.html>`_ 。飞桨中如何结合使用 DALI 库请参考 `使用示例 <https://github.com/PaddlePaddle/PaddleFleetX/tree/old_develop/deprecated/benchmark/collective/resnet>`_ 。
 
 2、训练策略设置
 ===========
@@ -115,7 +115,7 @@ GPU 多机多卡同步训练过程中存在慢 trainer 现象，即每步中训
 - Local SGD 的 warmup 步长 :code:`local_sgd_is_warm_steps` 影响最终模型的泛化能力，一般需要等到模型参数稳定之后在进行 Local SGD 训练，经验值可以将学习率第一次下降时的 epoch 作为 warmup 步长，之后再进行 Local SGD 训练。
 - Local SGD 步长 :code:`local_sgd_steps` ，一般该值越大，通信次数越少，训练速度越快，但随之而来的时模型精度下降。经验值设置为 2 或者 4。
 
-具体的 Local SGD 的训练代码可以参考：https://github.com/PaddlePaddle/FleetX/tree/old_develop/deprecated/examples/local_sgd/resnet
+具体的 Local SGD 的训练代码可以参考：https://github.com/PaddlePaddle/PaddleFleetX/tree/old_develop/deprecated/examples/local_sgd/resnet
 
 
 2、使用混合精度训练

diff --git a/...e_improving/multinode_training_improving/gpu_training_with_low_bandwidth_dgc.md b/...e_improving/multinode_training_improving/gpu_training_with_low_bandwidth_dgc.md
@@ -14,7 +14,7 @@ optimizer = fluid.optimizer.DGCMomentumOptimizer(
     learning_rate=0.001, momentum=0.9, rampup_begin_step=0)
 optimizer.minimize(cost)
 ```
-在 fleet 中我们提供了[DGC 的示例](https://github.com/PaddlePaddle/FleetX/tree/old_develop/deprecated/examples/dgc_example)。示例中以数字手写体识别为例，将程序移植为分布式版本（注：DGC 亦支持单机多卡），再加上 DGC 优化器。可参照此示例将单机单卡程序迁移到 DGC。在单机单卡迁移到 DGC 过程中，一般需要先对齐多机 Momentum 的精度，再对齐 DGC 的精度。
+在 fleet 中我们提供了[DGC 的示例](https://github.com/PaddlePaddle/PaddleFleetX/tree/old_develop/deprecated/examples/dgc_example)。示例中以数字手写体识别为例，将程序移植为分布式版本（注：DGC 亦支持单机多卡），再加上 DGC 优化器。可参照此示例将单机单卡程序迁移到 DGC。在单机单卡迁移到 DGC 过程中，一般需要先对齐多机 Momentum 的精度，再对齐 DGC 的精度。
 
 ## 3. 调参&适用场景
 ### 3.1 预热调参

diff --git a/...formance_improving/multinode_training_improving/gpu_training_with_recompute.rst b/...formance_improving/multinode_training_improving/gpu_training_with_recompute.rst
@@ -101,7 +101,7 @@ Recompute 原则上适用于所有 Optimizer。
 
 **2. 在 Fleet API 中使用 Recompute**
 
-`Fleet API <https://github.com/PaddlePaddle/FleetX>`_
+`Fleet API <https://github.com/PaddlePaddle/PaddleFleetX>`_
 是基于 Fluid 的分布式计算高层 API。在 Fleet API 中添加 RecomputeOptimizer
 仅需要 2 步：
 
@@ -121,7 +121,7 @@ Recompute 原则上适用于所有 Optimizer。
 为了帮助您快速地用 Fleet API 使用 Recompute 任务，我们提供了一些例子，
 并且给出了这些例子的计算速度、效果和显存节省情况：
 
-- 用 Recompute 做 Bert Fine-tuning:  `source <https://github.com/PaddlePaddle/FleetX/tree/old_develop/deprecated/examples/recompute/bert>`_
+- 用 Recompute 做 Bert Fine-tuning:  `source <https://github.com/PaddlePaddle/PaddleFleetX/tree/old_develop/deprecated/examples/recompute/bert>`_
 
 - 用 Recompute 做目标检测：开发中.
 
@@ -136,7 +136,7 @@ Q&A
 - **有没有更多 Recompute 的官方例子？**
 
   更多 Recompute 的例子将更新在 `examples <https://github.com/PaddlePaddle/examples/tree/master/community_examples/recompute>`_
-  和 `Fleet <https://github.com/PaddlePaddle/FleetX>`_ 库下，欢迎关注。
+  和 `Fleet <https://github.com/PaddlePaddle/PaddleFleetX>`_ 库下，欢迎关注。
 
 - **有没有添加 checkpoints 的建议？**
 

diff --git a/...mance_improving/multinode_training_improving/gpu_training_with_recompute_en.rst b/...mance_improving/multinode_training_improving/gpu_training_with_recompute_en.rst
@@ -132,7 +132,7 @@ In principle, recompute is for all kinds of optimizers in Paddle.
 
 **2. Using Recompute in Fleet API**
 
-`Fleet API <https://github.com/PaddlePaddle/FleetX>`_
+`Fleet API <https://github.com/PaddlePaddle/PaddleFleetX>`_
 is a high-level API for distributed training in Fluid. Adding
 RecomputeOptimizer to Fluid takes two steps:
 
@@ -154,7 +154,7 @@ We also post corresponding training speed,
 test results and memory usages of these examples for reference.
 
 
-- Fine-tuning Bert Large model with recomputing:  `source <https://github.com/PaddlePaddle/FleetX/tree/old_develop/deprecated/examples/recompute/bert>`_
+- Fine-tuning Bert Large model with recomputing:  `source <https://github.com/PaddlePaddle/PaddleFleetX/tree/old_develop/deprecated/examples/recompute/bert>`_
 
 - Training object detection models with recomputing：developing.
 
@@ -171,7 +171,7 @@ first-computation and recomputation consistent.
 - **Are there more official examples of Recompute?**
 
   More examples will be updated at `examples <https://github.com/PaddlePaddle/examples/tree/master/community_examples/recompute>`_
-and `Fleet <https://github.com/PaddlePaddle/FleetX>`_ . Feel free to
+and `Fleet <https://github.com/PaddlePaddle/PaddleFleetX>`_ . Feel free to
 raise issues if you get any problem with these examples.
 
 - **How should I set checkpoints?**

diff --git a/docs/faq/distributed_cn.md b/docs/faq/distributed_cn.md
@@ -4,7 +4,7 @@
 
 ##### 问题：怎样了解飞桨分布式 Fleet API 用法?
 
-+ 答复：可查看覆盖高低阶应用的[分布式用户文档](https://github.com/PaddlePaddle/fleetx)和[分布式 API 文档](https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/distributed/Overview_cn.html)
++ 答复：可查看覆盖高低阶应用的[分布式用户文档](https://github.com/PaddlePaddle/PaddleFleetX)和[分布式 API 文档](https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/distributed/Overview_cn.html)
 
 ----------
 

diff --git a/docs/guides/06_distributed_training/cluster_quick_start_ps_cn.rst b/docs/guides/06_distributed_training/cluster_quick_start_ps_cn.rst
@@ -21,9 +21,9 @@
 
 本节将采用推荐领域非常经典的模型 wide_and_deep 为例，介绍如何使用飞桨分布式完成参数服务器训练任务。
 
-参数服务器训练基于飞桨静态图，为方便用户理解，我们准备了一个 wide_and_deep 模型的单机静态图示例：\ `单机静态图示例 <https://github.com/PaddlePaddle/FleetX/tree/old_develop/eval/rec/wide_and_deep_single_static>`_\。
+参数服务器训练基于飞桨静态图，为方便用户理解，我们准备了一个 wide_and_deep 模型的单机静态图示例：\ `单机静态图示例 <https://github.com/PaddlePaddle/PaddleFleetX/tree/old_develop/eval/rec/wide_and_deep_single_static>`_\。
 
-在单机静态图示例基础上，通过 1.2 章节的操作方法，可以将其修改为参数服务器训练示例，本次快速开始的完整示例代码参考：\ `参数服务器完整示例 <https://github.com/PaddlePaddle/FleetX/tree/old_develop/examples/wide_and_deep_dataset>`_\。
+在单机静态图示例基础上，通过 1.2 章节的操作方法，可以将其修改为参数服务器训练示例，本次快速开始的完整示例代码参考：\ `参数服务器完整示例 <https://github.com/PaddlePaddle/PaddleFleetX/tree/old_develop/examples/wide_and_deep_dataset>`_\。
 
 同时，我们在 AIStudio 上建立了一个参数服务器快速开始的项目：\ `参数服务器快速开始 <https://aistudio.baidu.com/aistudio/projectdetail/4522337>`_\，用户可以跳转到 AIStudio 上直接运行参数服务器的训练代码。
 

diff --git a/docs/guides/06_distributed_training/data_parallel/amp_cn.rst b/docs/guides/06_distributed_training/data_parallel/amp_cn.rst
@@ -206,4 +206,4 @@
    使用 AMP 模式耗时:
    共计耗时 = 1.222 sec
 
-上述例子存放在：\ `example/amp/amp_dygraph.py <https://github.com/PaddlePaddle/FleetX/blob/old_develop/examples/amp/amp_dygraph.py>`_\ 。
+上述例子存放在：\ `example/amp/amp_dygraph.py <https://github.com/PaddlePaddle/PaddleFleetX/blob/old_develop/examples/amp/amp_dygraph.py>`_\ 。
diff --git a/docs/guides/06_distributed_training/data_parallel/recompute_cn.rst b/docs/guides/06_distributed_training/data_parallel/recompute_cn.rst
@@ -171,7 +171,7 @@ batch size = seq * seq_max_len
 
     python recompute_dygraph.py
 
-recompute 动态图代码：`代码示例 <https://github.com/PaddlePaddle/FleetX/tree/old_develop/examples/recompute>`__。
+recompute 动态图代码：`代码示例 <https://github.com/PaddlePaddle/PaddleFleetX/tree/old_develop/examples/recompute>`__。
 
 输出:
 

diff --git a/docs/guides/06_distributed_training/model_parallel_cn.rst b/docs/guides/06_distributed_training/model_parallel_cn.rst
@@ -309,7 +309,7 @@
       optimizer.clear_grad()
       print("loss", loss.numpy())
 
-模型并行的动态图代码：`example/model_parallelism/mp_dygraph.py <https://github.com/PaddlePaddle/FleetX/tree/old_develop/examples/model_parallelism>`_。
+模型并行的动态图代码：`example/model_parallelism/mp_dygraph.py <https://github.com/PaddlePaddle/PaddleFleetX/tree/old_develop/examples/model_parallelism>`_。
 
 
 运行方式（需要保证当前机器有两张 gpu）：

diff --git a/docs/guides/06_distributed_training/pipeline_parallel_cn.rst b/docs/guides/06_distributed_training/pipeline_parallel_cn.rst
@@ -261,7 +261,7 @@ model.train_batch(...)：这一步主要就是执行 1F1B 的流水线并行方
   export CUDA_VISIBLE_DEVICES=0,1
   python -m paddle.distributed.launch alexnet_dygraph_pipeline.py # alexnet_dygraph_pipeline.py 是用户运行动态图流水线的 python 文件
 
-基于 AlexNet 的完整的流水线并行动态图代码：`alex <https://github.com/PaddlePaddle/FleetX/tree/old_develop/examples/pipeline>`_。
+基于 AlexNet 的完整的流水线并行动态图代码：`alex <https://github.com/PaddlePaddle/PaddleFleetX/tree/old_develop/examples/pipeline>`_。
 
 控制台输出信息如下：