得益于公司成立以來(lái)對(duì)GPU的專(zhuān)注和對(duì)CUDA生態(tài)十年如一日的堅(jiān)持，英偉達(dá)公司終于在最近幾年走上了巔峰，這主要得益于AI時(shí)代的大爆發(fā)。尤其是在人工智能的訓(xùn)練市場(chǎng)，英偉達(dá)的GPU迄今為止也沒(méi)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(gòu)了Mellanox之后，英偉達(dá)又將目光投向了Arm，希望借此拓寬公司的目標(biāo)市場(chǎng)。

與此同時(shí)，英偉達(dá)在內(nèi)部還投入到軟件方面的布局，如遷移學(xué)習(xí)，就是他們近年來(lái)非常關(guān)注的一個(gè)著力點(diǎn)。按照英偉達(dá)方面所說(shuō)，這項(xiàng)技術(shù)正是他們針對(duì)當(dāng)前人工智能“痛點(diǎn)”所做出的一種解決方案。

從相關(guān)報(bào)道我們可以看到，人工智能已經(jīng)走向了各行各業(yè)。同時(shí)我們也認(rèn)識(shí)到，從頭開(kāi)發(fā)一個(gè)AI應(yīng)用，需要經(jīng)歷訓(xùn)練得出模型和推理的過(guò)程。但因?yàn)楝F(xiàn)在的應(yīng)用繁多，如果所有的開(kāi)發(fā)者和初創(chuàng)公司都需要從頭開(kāi)始創(chuàng)建一個(gè)模型，這不僅會(huì)耗時(shí)耗力，同時(shí)還成本高昂。這就讓“遷移學(xué)習(xí)”找到了機(jī)會(huì)。

所謂遷移學(xué)習(xí)，是指將已經(jīng)在相關(guān)任務(wù)中訓(xùn)練過(guò)的模型的一部分復(fù)用到新模型中，從而很大程度地降低對(duì)大量計(jì)算資源的需要。具體而言就是可以從現(xiàn)有神經(jīng)網(wǎng)絡(luò)中提取已學(xué)習(xí)特征，并通過(guò)從現(xiàn)有神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)移權(quán)重來(lái)遷移這些已學(xué)習(xí)特征，而英偉達(dá)的Transfer Learning Toolkit（遷移學(xué)習(xí)工具包，簡(jiǎn)稱(chēng)TLT）就是當(dāng)中的一個(gè)代表。

據(jù)介紹，英偉達(dá)遷移式學(xué)習(xí)工具包（是一個(gè)基于Python的工具包，它提供了大量預(yù)先訓(xùn)練的模型，并提供一系列的工具，使流行的網(wǎng)絡(luò)架構(gòu)適應(yīng)開(kāi)發(fā)者自己的數(shù)據(jù)，并且能夠訓(xùn)練、調(diào)整、修剪和導(dǎo)出模型，以進(jìn)行部署。

在2018年發(fā)布第一代工具包的時(shí)候，英偉達(dá)方面也表示，這套方案擁有許多預(yù)訓(xùn)練的優(yōu)化過(guò)的領(lǐng)域特定DNN，預(yù)先打包在里面；有計(jì)算機(jī)視覺(jué)中，物體分類(lèi)、檢測(cè)的應(yīng)用示例；在異構(gòu)的多GPU環(huán)境中，易于做模型適應(yīng) （Model Adaptation） ，易于重新訓(xùn)練；可以輕松修改配置文件，增加新類(lèi)別、新特征，壓縮模型大小；Model Export API可以把模型輕松部署在英偉達(dá)的DeepStream SDK 3.0上，做智能視頻分析 （IVA） 應(yīng)用；Model Export API在可以把模型部署到Clara平臺(tái)上，來(lái)做醫(yī)學(xué)影像相關(guān)應(yīng)用。

自第一代產(chǎn)品發(fā)布以來(lái)，英偉達(dá)TLT收到了開(kāi)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(gè)可直接用于生產(chǎn)的預(yù)訓(xùn)練模型和遷移學(xué)習(xí)工具包（Transfer Learning Toolkit， TLT）3.0 開(kāi)發(fā)者測(cè)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(yù)訓(xùn)練模型。這些模型具有支持對(duì)話式 AI 應(yīng)用的創(chuàng)新功能，可提供更加強(qiáng)大的解決方案來(lái)加速開(kāi)發(fā)者從訓(xùn)練到部署的整個(gè)過(guò)程。

英偉達(dá)方面表示，預(yù)訓(xùn)練模型和 TLT 3.0（開(kāi)發(fā)者測(cè)試版）包括以下主要亮點(diǎn)：

1、全新視覺(jué) AI 預(yù)訓(xùn)練模型：車(chē)牌檢測(cè)與識(shí)別、心率監(jiān)測(cè)、手勢(shì)識(shí)別、視線估計(jì)、情緒識(shí)別、人臉檢測(cè)、面部特征點(diǎn)估計(jì)；

2、通過(guò)自動(dòng)語(yǔ)音識(shí)別（ASR）和自然語(yǔ)言處理（NLP）的預(yù)訓(xùn)練模型支持對(duì)話式 AI 用例

3、選擇流行的網(wǎng)絡(luò)架構(gòu)進(jìn)行訓(xùn)練，如 EfficientNet、YoloV4 和 UNET；

4；經(jīng)過(guò)改進(jìn)的 PeopleNet 模型可以檢測(cè)困難場(chǎng)景，比如坐著的人和旋轉(zhuǎn)/扭曲的物體

5；用于推動(dòng)兼容容器初始化的 TLT 啟動(dòng)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(guò) NVIDIA 為常見(jiàn) AI 任務(wù)開(kāi)發(fā)的多用途生產(chǎn)級(jí)模型或者 ResNet、VGG、FasterRCNN、RetinaNet 和 YOLOv3/v4 等 100 多種神經(jīng)網(wǎng)絡(luò)架構(gòu)組合，使用自己的數(shù)據(jù)對(duì)特定用例的模型進(jìn)行微調(diào)。所有模型均可從 NGC 獲得?！庇ミ_(dá)方面強(qiáng)調(diào)。

人工智能行業(yè)專(zhuān)家吳恩達(dá)教授在NIPS 2016 講座上表示：“在監(jiān)督學(xué)習(xí)之后，遷移學(xué)習(xí)將引領(lǐng)下一波機(jī)器學(xué)習(xí)技術(shù)商業(yè)化浪潮?！庇纱丝梢钥吹剑ミ_(dá)又一次走上了AI的風(fēng)口。
責(zé)任編輯:tzh