百度大腦EasyDL專業版上線百度超大規模預訓練模型
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，因其能夠大量節約新模型開發的成本，在實際應用中被更廣泛地關注。EasyDL專業版在最新上線的版本中，就引入了百度超大規模視覺預訓練模型，結合遷移學習工具，幫助開發者使用少量數據，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，利用預訓練模型及它學習的知識來提高其執行另一項任務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。
針對一個具體的模型開發任務，我們通常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，在此基礎上使用業務數據對模型進行Fine-tune。在Fine-tune時，默認源域（預訓練模型）、目標域數據集（用戶業務數據集）需要具有較強相關性，即數據同分布，這樣我們才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務場景并具有優秀效果的模型。
但在實際應用場景中，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模數據集就十分重要，通過這個包羅萬象的超大規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用戶的需求，更好地Fine-tune用戶的業務數據集，幫助用戶在自己的數據集上得到效果更好的模型。
百度自研超大規模視覺預訓練模型覆蓋圖像分類與物體檢測兩個方向，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。
視覺方向，百度自研超大規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，用海量互聯網數據，包括10萬+的物體類別，6500萬的超大規模圖像數量，進行大規模訓練所得，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）
- 圖像分類
在圖像分類模型中，使用百度超大規模預訓練模型的Resnet50_vd相比普通模型在各類數據集上模型效果平均提升12.76%，使用百度超大規模預訓練模型的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，使用百度超大規模預訓練模型的YOLOv3_DarkNet相比普通模型在各類數據集上模型效果平均提升4.53 %，使用百度超大規模預訓練模型的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:
百度超大規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專業版中正式發布。EasyDL專業版是飛槳企業版零門檻AI開發平臺EasyDL，面向專業算法工程師群體，專門推出的AI模型開發與服務平臺。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。
開發者可以搜索進入EasyDL平臺，選擇專業版，選擇【新建任務】-【配置任務】-【選擇預訓練模型】處選擇【百度超大規模數據集 通用分類預訓練模型】
零門檻AI開發平臺EasyDL，面向AI開發全流程提供靈活易用的一站式平臺方案。包含了AI開發過程中的三大流程：數據服務、訓練與開發、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，查找識別錯誤的數據，糾正結果并將其加入模型迭代的訓練集，實現訓練數據的持續豐富和模型效果的持續優化。EasyData是業內首家推出了軟硬一體、端云協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，實時統計到云端進行處理。
在訓練與開發上，除了剛剛提到的大規模預訓練模型來提升模型性能，EasyDL還采用了AutoDL自動搜索最優網絡、自動超參搜索、自動數據增強、分布式訓練加速等豐富的訓練機制，提升模型的訓練效果和訓練速度。
在模型部署上，EasyDL提供端云協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，滿足開發者的各類業務需求，已經在幾十個行業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
百度搜索“EasyDL專業版”或直接點擊鏈接進入EasyDL專業版，感受預訓練模型的強大效果吧！ https://ai.baidu.com/easydl/pro
