在學習與定制AI模型的過程中，開發(fā)者會面對各種各樣的概念，在深度學習領域，有一個名詞正在被越來越頻繁地得到關注：遷移學習。它相比效果表現好的監(jiān)督學習來說，可以減去大量的枯燥標注過程，簡單來說就是在大數據集訓練的預訓練模型上進行小數據集的遷移，以獲得對新數據較好的識別效果，因其能夠大量節(jié)約新模型開發(fā)的成本，在實際應用中被更廣泛地關注。EasyDL專業(yè)版在最新上線的版本中，就引入了百度超大規(guī)模視覺預訓練模型，結合遷移學習工具，幫助開發(fā)者使用少量數據，快速定制高精度AI模型。

　　在訓練一個深度學習模型時，通常需要大量的數據，但數據的采集、標注等數據準備過程會耗費大量的人力、金錢和時間成本。為解決此問題，我們可以使用預訓練模型。以預訓練模型A作為起點，在此基礎上進行重新調優(yōu)，利用預訓練模型及它學習的知識來提高其執(zhí)行另一項任務B的能力，簡單來說就是在大數據集訓練的預訓練模型上進行小數據集的遷移，以獲得對新數據較好的識別效果，這就是遷移學習(Transfer Learning)。遷移學習作為一種機器學習方法，廣泛應用于各類深度學習任務中。在具體實現遷移學習時，有多種深度網絡遷移方法，其中的Fine-tune(微調)是最簡單的一種深度網絡遷移方法，它主要是將已訓練好的模型參數遷移到新的模型來幫助新模型訓練。

　　在實際應用中，針對一個任務，我們通常不會從頭開始訓練一個模型，因為這非常耗時耗力，不僅需要大量的計算資源、豐富的經驗去保證模型的效果，還需要ImageNet量級(千萬級)的數據集保證模型的泛化性，需要支付高昂的成本。因此，一般我們會選擇在公開的大數據集上訓練收斂、且效果較好的模型，作為預訓練權重，在此基礎上使用業(yè)務數據對模型進行Fin-tune。在Fine-tune時，默認源域(預訓練模型)、目標域數據集(用戶業(yè)務數據集)需要具有較強相關性，即數據同分布，這樣我們能利用預訓練模型的大量知識儲備，快速高效地訓練出針對特定業(yè)務場景并具有優(yōu)秀效果的模型。

　　但在應用預訓練模型到實際場景時，很多用戶會面臨數據集與源數據集分布不同的問題。比如，預訓練模型的數據都是自然風景，但用戶的數據集都是動漫人物。類似這種源數據集和目標數據差別較大的問題，在具體應用中較易導致負向遷移，具體表現為訓練收斂慢，模型效果差等。

　　因此，一個包含各類場景、覆蓋用戶各類需求的超大規(guī)模數據集就十分重要，通過這個包羅萬象的超大規(guī)模數據集訓練所得的模型，才能夠更好地適應來自各行各業(yè)用戶的需求，更好地Fine-tune用戶的業(yè)務數據集，幫助用戶在自己的數據集上得到效果更好的模型。

　　百度超大規(guī)模預訓練模型便在此背景下產生，覆蓋自然語言處理和視覺兩大方向。在自然語言處理方向，百度自研了業(yè)界效果最好的預訓練模型ERNIE，開創(chuàng)性地將大數據預訓練與多源豐富知識相結合，持續(xù)學習海量數據中的知識，將機器語義理解水平提升到一個新的高度。ERNIE在中英文的16個任務上已經超越了業(yè)界最好模型，全面適用于各類NLP應用場景。目前，EasyDL專業(yè)版已預置了領先的預訓練模型ERNIE2.0，并配套了多種NLP經典算法網絡，支持了文本分類、短文本匹配和序列標注等典型文本處理任務。

　　視覺方向，百度自研超大規(guī)模視覺預訓練模型覆蓋圖像分類與物體檢測兩個方向。圖像分類的預訓練模型，用海量互聯(lián)網數據，包括10萬+的物體類別，6500萬的超大規(guī)模圖像數量，進行大規(guī)模訓練所得，適應于各類圖像分類場景;物體檢測的預訓練模型，用800+的類別，170萬張圖片以及1000萬+物體框的數據集，進行大規(guī)模訓練所得，適應于各類物體檢測應用場景。相對于普通使用公開數據集訓練的預訓練模型，在各類數據集上都有不同程度效果提升，模型效果和泛化性都有顯著提升。

　　(以下實驗數據集均來自不同行業(yè))

　　- 圖像分類

　　在圖像分類模型中，使用百度超大規(guī)模預訓練模型的Resnet50_vd相比普通模型在各類數據集上平均提升12.76%，使用百度超大規(guī)模預訓練模型的Resnet101_vd，相比于普通預訓練模型，平均提升13.03%,使用百度超大規(guī)模預訓練模型的MobilenetV3_large_1x，相比于普通預訓練模型，平均提升8.04%。

　　并且，在圖像分類方向，還新增了11個模型，包括：EffcientNetB0_small，EfficientNetB4，MobileNetV3_large_x1_0，ResNet18_vd， ResNeXt101_32x16d_wsl， Res2Net101_vd_26w_4s， sE_ResNet18_vd， Xception71，還有基于百度超大規(guī)模預訓練模型訓練出來的ResNet50_vd，ResNet101_vd和MobileNetV3_large_x1_0，其中比較特殊的幾個模型，EffcientNetB0_small是去掉SE模塊的EffcientNetB0，在保證精度變化不大的同時，大幅提升訓練和推理速度，ResNeXt101_32x16d_wsl 是基于超大量圖片的弱監(jiān)督預訓練模型，準確率高，但預測時間相對增加，Res2Net101_vd_26w_4s則是在單個殘差塊內進一步構造了分層的殘差類連接，比ResNet101準確度更高;

　　新增的分類模型的推理時間、效果，以及支持的部署方式如下表所示：

　　注：以上模型均基于ImageNet1k分類數據集訓練和測試

　　更多預置模型，參見EasyDL官網：https://ai.baidu.com/ai-doc/EASYDL/0k38n3p16

　　更多模型效果，參見PaddleClas：https://paddleclas.readthedocs.io/zh_CN/latest/models/models_intro.html

　　并且，為了進一步提升圖像分類模型的模型效果，在訓練層面，圖像分類新增了mix_up和label_smoothing功能，可以在單標簽分類任務中，根據模型的訓練情況選擇開啟或者關閉。mix_up是一種數據增強方式，它從訓練樣本中隨機抽取了兩個樣本進行簡單的隨機加權求和，并保存這個權重，同時樣本的標簽也對應地用相同的權重加權求和，然后預測結果與加權求和之后的標簽求損失，通過混合不同樣本的特征，能夠減少模型對錯誤標簽的記憶力，增強模型的泛化能力。Label_smoothing是一種正則化的方法，增加了類間的距離，減少了類內的距離，避免模型對預測結果過于confident而導致對真實情況的預測偏移，一定程度上緩解由于label不夠soft導致過擬合的問題。

　　- 物體檢測

　　在物體檢測模型中，使用百度超大規(guī)模預訓練模型的YOLOv3_DarkNet相比普通模型在各類數據集上平均提升4.53%，使用百度超大規(guī)模預訓練模型的Faster_RCNN，相比于普通預訓練模型，平均提升1.39%。

　　并且，在物體檢測方向，新增了Cascade_Rcnn_ResNet50_FPN、YOLOv3_ResNet50vd_DCN、YOLOv3_MobileNetv1網絡，以及基于百度超大規(guī)模預訓練模型訓練出來的YOLOv3_Darknet、Faster_R-CNN_ResNet50_FPN，其中，Cascade_Rcnn_ResNet50_FPN通過級聯(lián)多個檢測器以及設置不同IOU的重采樣機制，使得檢測器的精度、和定位的準確度進一步提升。此外，針對用戶的需求，新增兩種YOLOv3的變種模型，其中，YOLOv3_MobileNetv1，是將原來的YOLOv3骨架網絡替換為MobileNetv1，相比YOLOv3_DarkNet, 新模型在GPU上的推理速度提升約73%。而YOLOv3_ResNet50vd_DCN是將骨架網絡更換為ResNet50-VD，相比原生的DarkNet53網絡在速度和精度上都有一定的優(yōu)勢，在保證GPU推理速度基本不變的情況下，提升了1%的模型效果，同時，因增加了可形變卷積，對不規(guī)則物體的檢測效果也有一定的正向提升。

　　各檢測模型的效果，以及支持的部署方式如下表所示：

　　注：以上模型均基于COCO17數據集訓練和測試。

　　更多預置模型，參見EasyDL官網https://ai.baidu.com/ai-doc/EASYDL/0k38n3p16

　　更多模型效果，參見PaddleDetection: https://github.com/PaddlePaddle/PaddleDetection/blob/release/0.3/docs/MODEL_ZOO_cn.md

　　各模型的推理時間如下表所示：

　　注：以上模型均基于coco17訓練所得。

　　更多模型速度詳情，參見PaddleDetection:

　　https://github.com/PaddlePaddle/PaddleDetection/blob/release/0.3/docs/advanced_tutorials/deploy/BENCHMARK_INFER_cn.md

　　百度超大規(guī)模視覺預訓練模型對比公開數據集訓練的預訓練模型，效果提升明顯，目前這些模型已經預置在EasyDL專業(yè)版中正式發(fā)布。EasyDL專業(yè)版是飛槳企業(yè)版零門檻AI開發(fā)平臺EasyDL，面向專業(yè)算法工程師群體，專門推出的AI模型開發(fā)與服務平臺。支持視覺及自然語言處理兩大技術方向，可靈活支持腳本調參及Notebook兩類開發(fā)方式，預置了幾十種經典網絡和百度海量數據訓練的預訓練模型，模型效果在業(yè)界保持領先，同時支持公有云/私有化/設備端等靈活的部署方案，開發(fā)效率高、訓練速度快，同時設備端輕量級部署和加速方案使得顯存占用更少，預測速度更快。

　　開發(fā)者可以搜索進入EasyDL平臺，選擇專業(yè)版，選擇【新建任務】-【配置任務】-【選擇預訓練模型】處選擇【百度超大規(guī)模數據集 通用分類與訓練模型】

　　EasyDL零門檻AI開發(fā)平臺，面向AI開發(fā)全流程提供靈活易用的一站式平臺方案。包含了AI開發(fā)過程中的三大流程：數據服務、訓練與開發(fā)、模型部署。

　　在數據服務上，剛剛上線的EasyData智能數據服務平臺覆蓋了數據采集、管理、清洗、標注、安全，并支持接入EasyDL進行訓練，在模型訓練部署之后，在云服務授權的前提下完成數據回流，針對性地進行難例挖掘，獲得更有助于模型效果提升的高質量數據。EasyData是業(yè)內首家推出了軟硬一體、端云協(xié)同自動數據采集方案的平臺，有離線視頻數據采集的用戶，可以下載EasyData的數據采集SDK，通過定時拍照、視頻抽幀等方式，實時統(tǒng)計到云端進行處理。

　　在訓練與開發(fā)上，除了剛剛提到的大規(guī)模預訓練模型來提升模型性能，EasyDL還采用了AutoDL自動搜索最優(yōu)網絡及超參數，以及自動數據增強、自動超參搜索來增加數據量和多樣性，分布式訓練加速等豐富的訓練機制提升模型的訓練速度。

　　在模型部署上，EasyDL提供端云協(xié)同的多種靈活部署方式，包括公有云API、設備端SDK、本地服務器部署、軟硬一體產品。值得關注的是，在EasyDL軟硬一體產品矩陣方案中，提供了六款軟硬一體方案，覆蓋超高性能，高性能和低成本小功耗三種不同形態(tài)，滿足開發(fā)者的各類業(yè)務需求，已經在幾十個行業(yè)上百個場景中落地應用。更多軟硬一體方案信息，可以查看：https://ai.baidu.com/easydl/solution

　　現在就進入EasyDL專業(yè)版，感受預訓練模型的強大效果吧!https://ai.baidu.com/easydl/pro