人工智能应用是由模型驱动的。深度学习模型基于数学算法，并通过使用数据和人类专业知识进行训练。这些模型可以根据图像、文本或语音等输入数据准确预测结果。
构建、培训和优化这些任务至关重要且耗时。开发产品质量模型需要领域专业知识和无数的计算时间。这与企业必须以多快的速度实施人工智能计划和缩短上市时间相矛盾(TTM)。
在没有人工智能专业知识的情况下
微调预训练模型
幸运的是，有一个解决方案：一个预先训练好的模型。使用迁移学习，在代表性数据集上训练预训练模型，并用权重和偏差进行微调。与传统的人工智能算法需要大量的时间和资源进行训练不同，用预先训练好的模型构建的人工智能解决方案是以完全可操作的人工智能引擎的形式交付的，可以随时用于各种用例。
在大多数情况下，“开箱即用”的预训练模型可能不适合您的使用情形，也不能提供您需要的准确性和性能。对于这些示例，您必须修改或定制预培训模型，以满足您的用例需求。
为不同用例定制预训练模型
那么，如何在不花费太多时间和精力的情况下定制前期训练模型呢？可以使用人工智能模型适配平台NVIDIA TAO来简化你的开发工作流程。TAO工具套件是NVIDIA TAO基于CLI和Jupyter laptop的解决方案，使用自己的数据对预训练模型进行微调非常容易。不需要人工智能专业知识。
TAO工具套件具有高度的可扩展性，可以帮助您调整模型以适应新的环境，扩展数据或添加新的类。
下面是 NVIDIA whitepaper 中突出的三个例子，它探索了加速 AI 工作流过程的行之有效的方法。
假设您想在适应不同的相机类型 ：.部署红外或热感摄像机解决方案，您可以使用PeopleNet模型，该模型已经针对数百万张图像进行了培训。只需微调2500张图片，即可获得近80%的地图。
扩充有限的数据集：的数据收集非常耗时。您可以通过离线或在线数据扩展来修改数据集。增加数据集增加更多的变化和随机性，从而实现模型通用化。这提高了模型对于以前从未见过的数据的准确性。
假设添加新类：被要求创建一个应用程序来检测人们骑自行车时是否戴头盔。通过TAO工具套件，您可以使用一个检测人的模型，并在该模型中添加一个新的“头盔类”。用包含人和头盔类的数据集对其进行微调。
付诸实践
当你消除了人工智能框架的复杂性，你就可以专注于重要的事情：缩短人工智能应用的TTM。TAO tool suite让你在没有大量训练数据集和人工智能专业知识的情况下，非常容易地训练、调整和优化预训练模型。
