人工智能应用由模型驱动。深度学习模型建立在数学算法之上，并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既关键又耗时。开发生产质量模型需要领域专业知识和数不清的计算时间。这与企业必须以多快的速度实施人工智能计划并缩短上市时间（ TTM ）存在矛盾。
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：预先训练的模型。使用迁移学习，预训练模型已经在代表性数据集上进行了训练，并使用权重和偏差进行了微调。与需要大量时间和资源进行训练的传统人工智能算法不同，使用预先训练的模型构建的人工智能解决方案以完全可操作、随时可用于各种用例的人工智能引擎的形式交付。
在大多数情况下，“开箱即用”的预训练模型可能不适合您的用例，也不能提供您需要的准确性和性能。对于这些实例，您必须修改或自定义预训练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预训练模型呢？你可以使用 NVIDIA TAO ，一个人工智能模型适应框架，来简化你的开发工作流程。 TAO 工具包是 NVIDIA TAO 基于 CLI 和 Jupyter 笔记本电脑的解决方案，可以非常轻松地使用自己的数据微调预训练模型。不需要人工智能专业知识。
TAO 工具包具有高度的可扩展性，可以帮助您使模型适应新环境、扩充数据或添加新类。
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。
- 适应不同的相机类型 ：假设您想要为红外或热敏摄像头部署解决方案。您可以使用 PeopleNet 模型，该模型已经在数百万张图像上进行了训练。只需对 2500 张图像进行微调，即可获得接近 80% 的地图。
- 扩充有限的数据集： 数据收集非常耗时。通过离线或在线数据扩充，您可以修改数据集。增加数据集会增加更多的变化和随机性，从而实现模型泛化。这提高了模型对以前从未见过的数据的准确性。
- 添加新类： 假设您被要求创建一个应用程序，用于检测人们骑自行车时是否戴头盔。有了 TAO 工具包，您可以使用一个检测人的模型 , ，并向该模型添加一个新的“头盔类”。使用包含人员和头盔类的数据集对其进行微调。
付诸实践
当您消除 AI 框架的复杂性时，您可以专注于重要的事情：缩短 AI 应用程序的 TTM 。 TAO 工具包使您可以非常轻松地训练、调整和优化预训练模型，而无需大型训练数据集和人工智能专业知识。
请访问 Github page 开始了解白皮书中描述的用例。了解更多关于 TAO 工具包 .
