1,337
社区成员




这篇文章最初发表在 NVIDIA 技术博客上。有关此类的更多内容,请参阅最新的 计算机视觉/视频分析 新闻和教程。
人工智能应用由模型驱动。深度学习模型建立在数学算法之上,并使用数据和人类专业知识进行训练。这些模型可以根据图像、文本或语音等输入数据准确预测结果。
构建、培训和优化这些任务既关键又耗时。开发生产质量模型需要领域专业知识和数不清的计算时间。这与企业必须以多快的速度实施人工智能计划并缩短上市时间( TTM )存在矛盾。
幸运的是,有一个解决方案:预先训练的模型。使用迁移学习,预训练模型已经在代表性数据集上进行了训练,并使用权重和偏差进行了微调。与需要大量时间和资源进行训练的传统人工智能算法不同,使用预先训练的模型构建的人工智能解决方案以完全可操作、随时可用于各种用例的人工智能引擎的形式交付。
在大多数情况下,“开箱即用”的预训练模型可能不适合您的用例,也不能提供您需要的准确性和性能。对于这些实例,您必须修改或自定义预训练模型以满足您的用例需求。
那么,如何在不花费太多时间和精力的情况下定制预训练模型呢?你可以使用 NVIDIA TAO ,一个人工智能模型适应框架,来简化你的开发工作流程。 TAO 工具包是 NVIDIA TAO 基于 CLI 和 Jupyter 笔记本电脑的解决方案,可以非常轻松地使用自己的数据微调预训练模型。不需要人工智能专业知识。
TAO 工具包具有高度的可扩展性,可以帮助您使模型适应新环境、扩充数据或添加新类。
下面是NVIDIA whitepaper 中突出的三个例子,它探索了加速 AI 工作流过程的行之有效的方法。
当您消除 AI 框架的复杂性时,您可以专注于重要的事情:缩短 AI 应用程序的 TTM 。 TAO 工具包使您可以非常轻松地训练、调整和优化预训练模型,而无需大型训练数据集和人工智能专业知识。
请访问 Github page 开始了解白皮书中描述的用例。了解更多关于 TAO 工具包 .