人工智能應用由模型驅動。深度學習模型建立在數學算法之上，并使用數據和人類專業知識進行訓練。這些模型可以根據圖像、文本或語音等輸入數據準確預測結果。
構建、培訓和優化這些任務既關鍵又耗時。開發生產質量模型需要領域專業知識和數不清的計算時間。這與企業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知識的情況下微調預訓練模型
幸運的是，有一個解決方案：預先訓練的模型。使用遷移學習，預訓練模型已經在代表性數據集上進行了訓練，并使用權重和偏差進行了微調。與需要大量時間和資源進行訓練的傳統人工智能算法不同，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據微調預訓練模型。不需要人工智能專業知識。
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境、擴充數據或添加新類。
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，該模型已經在數百萬張圖像上進行了訓練。只需對 2500 張圖像進行微調，即可獲得接近 80% 的地圖。
- 擴充有限的數據集： 數據收集非常耗時。通過離線或在線數據擴充，您可以修改數據集。增加數據集會增加更多的變化和隨機性，從而實現模型泛化。這提高了模型對以前從未見過的數據的準確性。
- 添加新類： 假設您被要求創建一個應用程序，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據集對其進行微調。
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、調整和優化預訓練模型，而無需大型訓練數據集和人工智能專業知識。
請訪問 Github page 開始了解白皮書中描述的用例。了解更多關于 TAO 工具包 .
?
