PaddleHub深度學習模型開發(fā)工具
PaddleHub是一個深度學習模型開發(fā)工具。它基于飛槳領先的核心框架，精選效果優(yōu)秀的算法，提供了百億級大數(shù)據(jù)訓練的預訓練模型，方便用戶不用花費大量精力從頭開始訓練一個模型。PaddleHub可以便捷地獲取這些預訓練模型，完成模型的管理和一鍵預測。
## CPU版本安裝命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle
## GPU版本安裝命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu
配合使用Fine-tune API，可以基于大規(guī)模預訓練模型快速完成遷移學習，讓預訓練模型能更好地服務于用戶特定場景的應用。
PaddleHub有什么特色
1、 通過PaddleHub，開發(fā)者可以便捷地獲取飛槳生態(tài)下的所有預訓練模型，涵蓋了圖像分類、目標檢測、詞法分析、語義模型、情感分析、語言模型、視頻分類、圖像生成八類主流模型40余個。
△ 圖1 PaddleHub提供了40+官方預訓練模型
2、PaddleHub引入了模型即軟件的概念，通過Python API或者命令行工具，一鍵完成預訓練模型地預測。此外還借鑒了Anaconda和pip軟件包管理的理念設計了一套命令行接口。
深度學習時代，模型發(fā)展的趨勢會逐漸向軟件工程靠攏；未來模型可以當作一個可執(zhí)行程序，一鍵預測；也可以是第三方庫，通過模型插拔的方式提高開發(fā)者的開發(fā)效率。
同時模型會有版本的概念，通過不斷迭代升級的方式提升我們模型的效果。通過命令行工具，可以方便快捷的完成模型的搜索、下載、安裝、預測等功能，對應的關鍵的命令分別是search，download，install，run等。
如以下示例，在安裝完成飛槳和PaddleHub以后（具體安裝方法見后文示例），使用詞法分析模型LAC，可以一鍵實現(xiàn)分詞。
$ hub run lac --input_text "今天是個好日子"
[{'word': ['今天', '是', '個', '好日子'], 'tag': ['TIME', 'v', 'q', 'n']}]
再如以下示例所示，是一個目標檢測的例子，通過hub run 調(diào)用不同的目標檢測模型，一行即可完成預測，同時也可以快速體驗哪個模型能更符合開發(fā)的需求。
$ hub run yolov3_coco2017 --input_path test.jpg $ hub run faster_rcnn_coco2017 --input_path test.jpg
△ 圖2 PaddleHub一鍵完成預訓練模型地預測
3、通過PaddleHub Fine-tune API，結合少量代碼即可完成大規(guī)模預訓練模型的遷移學習。下面一節(jié)我們也會全面介紹PaddleHub的API。
PaddleHub API全景
PaddleHub API的全景圖如圖3所示。
為了更好幫助用戶更好的應用預訓練模型，PaddleHub對Fine-tune做了6個層次的抽象。
△ 圖3 PaddleHub Fine-tune API全景
- 數(shù)據(jù)集Dataset：PaddleHub提供多種NLP任務和CV任務的數(shù)據(jù)集，用戶也可以在自定義數(shù)據(jù)集上完成Fine-tune。
- 數(shù)據(jù)預處理Reader：PaddleHub的數(shù)據(jù)預處理模塊Reader對常見的NLP和CV任務進行了抽象。
- 預訓練模型Module：Module代表了一個預訓練模型。
- 優(yōu)化策略Strategy：在PaddleHub中，Strategy類封裝了一系列適用于遷移學習的Fine-tune策略。Strategy包含了對預訓練參數(shù)使用什么學習率變化策略，使用哪種類型的優(yōu)化器，使用什么類型的正則化等。
- 運行配置 RunConfig：在PaddleHub中，RunConfig代表了在對Task進行Fine-tune時的運行配置。包括運行的epoch次數(shù)、batch的大小、是否使用GPU訓練等。
- 遷移任務Task：PaddleHub預置了常見任務的Task。Task代表了一個Fine-tune的任務。任務中包含了執(zhí)行該任務相關的Program、數(shù)據(jù)Reader、運行配置等內(nèi)容。每種Task都有自己特有的應用場景以及提供了對應的度量指標，用于適應用戶的不同需求。預置的任務類型包括圖像分類、文本分類、序列分類和多標簽分類各類任務。
PaddleHub還支持用戶可以通過繼承BasicTask來實現(xiàn)自己的任務。
PaddleHub封裝了finetune、eval、finetune_and_eval、predict等直觀的基礎接口，讓開發(fā)者更方便完成模型的遷移和應用。