人工智能應用由模型驅(qū)動。深度學習模型建立在數(shù)學算法之上，并使用數(shù)據(jù)和人類專業(yè)知識進行訓練。這些模型可以根據(jù)圖像、文本或語音等輸入數(shù)據(jù)準確預測結果。

構建、培訓和優(yōu)化這些任務既關鍵又耗時。開發(fā)生產(chǎn)質(zhì)量模型需要領域?qū)I(yè)知識和數(shù)不清的計算時間。這與企業(yè)必須以多快的速度實施人工智能計劃并縮短上市時間（ TTM ）存在矛盾。

在沒有人工智能專業(yè)知識的情況下微調(diào)預訓練模型

幸運的是，有一個解決方案：預先訓練的模型。使用遷移學習，預訓練模型已經(jīng)在代表性數(shù)據(jù)集上進行了訓練，并使用權重和偏差進行了微調(diào)。與需要大量時間和資源進行訓練的傳統(tǒng)人工智能算法不同，使用預先訓練的模型構建的人工智能解決方案以完全可操作、隨時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”的預訓練模型可能不適合您的用例，也不能提供您需要的準確性和性能。對于這些實例，您必須修改或自定義預訓練模型以滿足您的用例需求。

為不同用例定制預訓練模型

那么，如何在不花費太多時間和精力的情況下定制預訓練模型呢？你可以使用 NVIDIA TAO ，一個人工智能模型適應框架，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)預訓練模型。不需要人工智能專業(yè)知識。

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

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

適應不同的相機類型 ：假設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)百萬張圖像上進行了訓練。只需對 2500 張圖像進行微調(diào)，即可獲得接近 80% 的地圖。

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

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

付諸實踐

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

關于作者

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 擁有加州大學洛杉磯分校安德森商學院工商管理碩士學位，圣何塞州立大學機械工程學士學位。

審核編輯：郭婷