新API还有助于数据加载操作的复用。例如，我们定义两个reader，分别是impressions()和clicks()，前者用于读取搜索引擎的日志流数据，后者用于读取点击流数据；然后，我们可以通过预定义的reader decorator缓存并组合这些数据，再对合并后的数据进行乱序操作：

　　如果我们希望只使用数据集中的前5000个样本来进行小型实验，代码如下：

　　此外，直播，我们发布了paddle.datasets包，为教程中的八个示例程序都提供了预定义好的数据加载接口。第一次调用时会自动下载公共数据集并进行预处理，之后的调用则会从本地缓存中自动读取。

　　更高层次的API

　　PaddlePaddle是一个诞生在工业界的系统，从一开始就强调支持分布式训练。但在编写分布式程序时，旧API暴露了很多用户不需要知道的细节。另外，PaddlePaddle的C++代码中的训练过程是一个for循环结构，不能跑在交互式的Jupyter Notebook上。因此，我们发布了新API，提供了一些更高层次的接口，如train（训练接口）、test（测试接口）和infer（应用接口）。这些新API既能在本地运行，将来也支持在Kubernets集群上运行分布式作业。

　　以上述的三分支模型和GAN模型为例，下面展示train和infer的使用思路。

　　我们会持续优化新API，上述设计思想的具体实现会在0.10.0版中完成，同时也欢迎您的评论、反馈和代码贡献！

　　参考文献

　　1.PaddlePaddle’s New API Simplifies Deep Learning Programs.

　　2.PaddlePaddle Design Doc.

　　3.PaddlePaddle Python Data Reader Design Doc.

　　关于《深度学习入门教程》

　　这本书脱胎于PaddlePaddle Team的线上教材《深度学习入门》，包括新手入门、识别数字、图像分类、词向量、情感分析、语义角色标注、机器翻译、个性化推荐等内容。

　　以下是《深度学习入门》一书的目录：