技術公開課實錄：端到端預訓練應用工具PaddleHub深度解析

 

導讀：飛槳（PaddlePaddle）致力於讓深度學習技術的創新與應用更簡單。爲了讓更多的開發者瞭解飛槳的最近技術進展，特別組織了系列技術稿件，視頻來源於2019 WaveSummit秋季深度學習開發者峯會上的技術公開課。

本期是由百度飛槳資深研發工程師爲你們帶來端到端預訓練應用工具PaddleHub深度解析，敬請觀看。

 

視頻關鍵知識點Notes：

01

總體介紹

PaddleHub是飛槳平臺下端到端的預訓練模型管理平臺，並提供遷移學習工具。PaddleHub官方目前支持了70多個預訓練模型，覆蓋了文本和視覺兩個領域。

PaddleHub的設計理念爲模型即軟件，經過命令行工具搜索預訓練模型，也能夠一鍵進行下載，並具有版本的管理。開發者能夠基於很是簡單的代碼本身作詞法分析、人像摳圖的小程序或視頻級別的分割等等，經過API快速集成到相應的任務當中，這即是模型即軟件的開發理念。

02

PaddleHub主要特色

2.1.豐富的預訓練模型庫

飛槳的預訓練模型庫，目前主要覆蓋天然語言處理和計算機視覺兩個方向，包含圖像分類、目標檢測、詞法分析、語義模型、情感分析、語言模型、視頻分類、圖像生成、圖像分割等70多個技術領先的並且通過長期的產業實踐驗證的優質模型，能夠幫助開發者快速開始。

2.2.少許代碼便可完成遷移學習

PaddleHub Fine-tune API的開發，目的是幫助開發者下降遷移學習的門檻。在預訓練模型的領域，咱們能夠認爲模型都是標準化的，有標準化的輸入，也有標準化的輸出，跟軟件是樣的模塊化。經過自定義數據集，再加上Fine-tune API，組網的工做能夠經過一行代碼搞定，並且PaddleHub集成了工業級簡單實用的策略，包括數據的預處理等，可供開發者嘗試。同時，引入『模型即軟件』的設計理念，經過Python API或者命令行實現一鍵預測，更方便地應用飛槳模型庫。

2.3.支持超參優化，自動搜索超參數

PaddleHub AutoDL Finetuner提供一個黑盒優化的策略，目標是用盡量少的次數來找到一個更好的超參，使得咱們的模型在驗證集上的指標更好。這個問題沒有很明確的公式描述，所以須要經過黑盒優化的技術來求解：經過定義一個超參的類型和範圍，讓機器來自動搜索，並且對於任意的機器學習的代碼均可以使用黑盒優化，能夠幫助開發者提升整個超參優化的效率。

2.4.經過HubServing，實現一鍵Module服務化部署。

Hub Serving是爲用戶端到端體驗打造的，從預訓練模型快速的生成API的服務，能夠實現安全可控、支持私有化的部署。開發者能夠基於PaddleHub開放的模型在本身的企業內部搭建起預訓練模型和服務，並經過API調用的方式快速接入。客戶端的應用方式很是簡單，經過咱們最經典的HTTP的方式，能夠快速的使用這些預訓練模型，讓更多的人可以用到預訓練模型的效果。

更多內容，請參考：

https://github.com/PaddlePaddle/PaddleHub

03

將來計劃

PaddleHub還在持續快速迭代當中，未來會進一步優化超參搜索框架，開放出更多小、靈、快的預訓練模型和垂類場景如法律或者金融等等。也會開放讓開發者建設並貢獻預訓練模型。以及與Paddle Lite全面的打通，支持移動端的預訓練模型進行更好的遷移學習。最後在HubServing會造成一個彈性調動的功能，讓企業應用方面更加方便強大。

進入網盤獲取視頻中的PPT，連接：

https://pan.baidu.com/s/1XlheJQKjjbsv2_NDQWSdhg     密碼:d4aw

想與更多的深度學習開發者交流，請加入飛槳官方QQ羣：796771754。

若是您想詳細瞭解更多飛槳PaddlePaddle的相關內容，請參閱如下文檔。

官網地址：

https://www.paddlepaddle.org.cn/hub

項目地址：

https://github.com/PaddlePaddle/PaddleHub

 

>> 訪問 PaddlePaddle 官網，瞭解更多相關內容。