人工智能應(yīng)用由模型驅(qū)動(dòng)。深度學(xué)習(xí)模型建立在數(shù)學(xué)算法之上，并使用數(shù)據(jù)和人類專業(yè)知識進(jìn)行訓(xùn)練。這些模型可以根據(jù)圖像、文本或語音等輸入數(shù)據(jù)準(zhǔn)確預(yù)測結(jié)果。

構(gòu)建、培訓(xùn)和優(yōu)化這些任務(wù)既關(guān)鍵又耗時(shí)。開發(fā)生產(chǎn)質(zhì)量模型需要領(lǐng)域?qū)I(yè)知識和數(shù)不清的計(jì)算時(shí)間。這與企業(yè)必須以多快的速度實(shí)施人工智能計(jì)劃并縮短上市時(shí)間（ TTM ）存在矛盾。

在沒有人工智能專業(yè)知識的情況下微調(diào)預(yù)訓(xùn)練模型

幸運(yùn)的是，有一個(gè)解決方案：預(yù)先訓(xùn)練的模型。使用遷移學(xué)習(xí)，預(yù)訓(xùn)練模型已經(jīng)在代表性數(shù)據(jù)集上進(jìn)行了訓(xùn)練，并使用權(quán)重和偏差進(jìn)行了微調(diào)。與需要大量時(shí)間和資源進(jìn)行訓(xùn)練的傳統(tǒng)人工智能算法不同，使用預(yù)先訓(xùn)練的模型構(gòu)建的人工智能解決方案以完全可操作、隨時(shí)可用于各種用例的人工智能引擎的形式交付。

在大多數(shù)情況下，“開箱即用”的預(yù)訓(xùn)練模型可能不適合您的用例，也不能提供您需要的準(zhǔn)確性和性能。對于這些實(shí)例，您必須修改或自定義預(yù)訓(xùn)練模型以滿足您的用例需求。

為不同用例定制預(yù)訓(xùn)練模型

那么，如何在不花費(fèi)太多時(shí)間和精力的情況下定制預(yù)訓(xùn)練模型呢？你可以使用 NVIDIA TAO ，一個(gè)人工智能模型適應(yīng)框架，來簡化你的開發(fā)工作流程。 TAO 工具包是 NVIDIA TAO 基于 CLI 和 Jupyter 筆記本電腦的解決方案，可以非常輕松地使用自己的數(shù)據(jù)微調(diào)預(yù)訓(xùn)練模型。不需要人工智能專業(yè)知識。

TAO 工具包具有高度的可擴(kuò)展性，可以幫助您使模型適應(yīng)新環(huán)境、擴(kuò)充數(shù)據(jù)或添加新類。

下面是NVIDIA whitepaper 中突出的三個(gè)例子，它探索了加速 AI 工作流過程的行之有效的方法。

適應(yīng)不同的相機(jī)類型 ：假設(shè)您想要為紅外或熱敏攝像頭部署解決方案。您可以使用 PeopleNet 模型，該模型已經(jīng)在數(shù)百萬張圖像上進(jìn)行了訓(xùn)練。只需對 2500 張圖像進(jìn)行微調(diào)，即可獲得接近 80% 的地圖。

擴(kuò)充有限的數(shù)據(jù)集： 數(shù)據(jù)收集非常耗時(shí)。通過離線或在線數(shù)據(jù)擴(kuò)充，您可以修改數(shù)據(jù)集。增加數(shù)據(jù)集會(huì)增加更多的變化和隨機(jī)性，從而實(shí)現(xiàn)模型泛化。這提高了模型對以前從未見過的數(shù)據(jù)的準(zhǔn)確性。

添加新類： 假設(shè)您被要求創(chuàng)建一個(gè)應(yīng)用程序，用于檢測人們騎自行車時(shí)是否戴頭盔。有了 TAO 工具包，您可以使用一個(gè)檢測人的模型 ， ，并向該模型添加一個(gè)新的“頭盔類”。使用包含人員和頭盔類的數(shù)據(jù)集對其進(jìn)行微調(diào)。

付諸實(shí)踐

當(dāng)您消除 AI 框架的復(fù)雜性時(shí)，您可以專注于重要的事情：縮短 AI 應(yīng)用程序的 TTM 。 TAO 工具包使您可以非常輕松地訓(xùn)練、調(diào)整和優(yōu)化預(yù)訓(xùn)練模型，而無需大型訓(xùn)練數(shù)據(jù)集和人工智能專業(yè)知識。

關(guān)于作者

Akhil Docca 是 NVIDIA NGC 的高級產(chǎn)品營銷經(jīng)理，專注于 HPC 和 DL 容器。 Akhil 擁有加州大學(xué)洛杉磯分校安德森商學(xué)院工商管理碩士學(xué)位，圣何塞州立大學(xué)機(jī)械工程學(xué)士學(xué)位。

審核編輯：郭婷