得益于公司成立以來對GPU的專注和對CUDA生態(tài)十年如一日的堅持，英偉達公司終于在最近幾年走上了巔峰，這主要得益于AI時代的大爆發(fā)。尤其是在人工智能的訓練市場，英偉達的GPU迄今為止也沒有遇到能威脅到他們的挑戰(zhàn)者。但他們并不止步于此，在收購了Mellanox之后，英偉達又將目光投向了Arm，希望借此拓寬公司的目標市場。

與此同時，英偉達在內部還投入到軟件方面的布局，如遷移學習，就是他們近年來非常關注的一個著力點。按照英偉達方面所說，這項技術正是他們針對當前人工智能“痛點”所做出的一種解決方案。

從相關報道我們可以看到，人工智能已經走向了各行各業(yè)。同時我們也認識到，從頭開發(fā)一個AI應用，需要經歷訓練得出模型和推理的過程。但因為現(xiàn)在的應用繁多，如果所有的開發(fā)者和初創(chuàng)公司都需要從頭開始創(chuàng)建一個模型，這不僅會耗時耗力，同時還成本高昂。這就讓“遷移學習”找到了機會。

所謂遷移學習，是指將已經在相關任務中訓練過的模型的一部分復用到新模型中，從而很大程度地降低對大量計算資源的需要。具體而言就是可以從現(xiàn)有神經網絡中提取已學習特征，并通過從現(xiàn)有神經網絡轉移權重來遷移這些已學習特征，而英偉達的Transfer Learning Toolkit（遷移學習工具包，簡稱TLT）就是當中的一個代表。

據(jù)介紹，英偉達遷移式學習工具包（是一個基于Python的工具包，它提供了大量預先訓練的模型，并提供一系列的工具，使流行的網絡架構適應開發(fā)者自己的數(shù)據(jù)，并且能夠訓練、調整、修剪和導出模型，以進行部署。

在2018年發(fā)布第一代工具包的時候，英偉達方面也表示，這套方案擁有許多預訓練的優(yōu)化過的領域特定DNN，預先打包在里面；有計算機視覺中，物體分類、檢測的應用示例；在異構的多GPU環(huán)境中，易于做模型適應 （Model Adaptation） ，易于重新訓練；可以輕松修改配置文件，增加新類別、新特征，壓縮模型大?。籑odel Export API可以把模型輕松部署在英偉達的DeepStream SDK 3.0上，做智能視頻分析 （IVA） 應用；Model Export API在可以把模型部署到Clara平臺上，來做醫(yī)學影像相關應用。

自第一代產品發(fā)布以來，英偉達TLT收到了開發(fā)者的熱烈歡迎。公司也持之以恒地投入，并于近日推出了多個可直接用于生產的預訓練模型和遷移學習工具包（Transfer Learning Toolkit， TLT）3.0 開發(fā)者測試版，以及 DeepStream SDK 5.1。據(jù)介紹，此次發(fā)布包括一系列新型預訓練模型。這些模型具有支持對話式 AI 應用的創(chuàng)新功能，可提供更加強大的解決方案來加速開發(fā)者從訓練到部署的整個過程。

英偉達方面表示，預訓練模型和 TLT 3.0（開發(fā)者測試版）包括以下主要亮點：

1、全新視覺 AI 預訓練模型：車牌檢測與識別、心率監(jiān)測、手勢識別、視線估計、情緒識別、人臉檢測、面部特征點估計；

2、通過自動語音識別（ASR）和自然語言處理（NLP）的預訓練模型支持對話式 AI 用例

3、選擇流行的網絡架構進行訓練，如 EfficientNet、YoloV4 和 UNET；

4；經過改進的 PeopleNet 模型可以檢測困難場景，比如坐著的人和旋轉/扭曲的物體

5；用于推動兼容容器初始化的 TLT 啟動器

6；支持具有第三代張量核心的 NVIDIA Ampere GPU，從而提升性能

“借助 TLT，您可以通過 NVIDIA 為常見 AI 任務開發(fā)的多用途生產級模型或者 ResNet、VGG、FasterRCNN、RetinaNet 和 YOLOv3/v4 等 100 多種神經網絡架構組合，使用自己的數(shù)據(jù)對特定用例的模型進行微調。所有模型均可從 NGC 獲得?！庇ミ_方面強調。

人工智能行業(yè)專家吳恩達教授在NIPS 2016 講座上表示：“在監(jiān)督學習之后，遷移學習將引領下一波機器學習技術商業(yè)化浪潮?！庇纱丝梢钥吹剑ミ_又一次走上了AI的風口。
責任編輯:tzh