NVIDIA 遷移學習工具包對于深度學習應用開發人員和數據科學家來說是理想的工具，這些開發人員和數據科學家正在為各種行業垂直領域（如智能視頻分析（IVA）和醫學成像）尋求更快、更高效的深度學習訓練工作流程。

許多應用開發者和數據科學家都正在為智能視頻分析（IVA）、醫療影像等各種垂直領域尋找更快、更高效的深度學習訓練工作流程。NVIDIA 近期就發布了一個遷移學習工具包（ NVIDIA Transfer Learning Toolkit），希望可以成為他們的理想工具。AI 科技評論編譯如下。

遷移學習工具包通過允許開發人員微調 NVIDIA 提供的特定領域的預訓練模型來抽象和加速深度學習訓練，而不是從頭開始花大量時間來從零開始（說明一下，「從零開始」這個詞很重要，它是遷移學習最關鍵的特點）構建深層神經網絡。預訓練模型加速了開發人員的深度學習訓練過程，并且減少了大規模數據收集、標記和從零開始訓練模型相關的成本。

「遷移學習」意味著可以從現有神經網絡中提取已學習特征，并通過從現有神經網絡轉移權重來遷移這些已學習特征。NVIDIA 此次發布的遷移學習工具包是一個基于 Python 的工具包，它使開發人員能夠利用 NVIDIA 預先訓練好的模型，并為開發人員提供技術支持，通過重新訓練讓模型適應新的網絡，來添加他們自己的數據以使神經網絡更加智能。工具包具備的簡單添加、修剪和重新訓練網絡的能力，提高了深度學習訓練流程的效率和準確性。

主要功能

在特定任務上預訓練完畢的、經過優化的深度神經網絡模型已經打包在內

用于計算機視覺相關對象分類、檢測場景的示例應用程序

在復雜的多 GPU 環境也可以輕松地模型適配和再訓練

輕松修改配置文件，從添加新的類和特性到壓縮模型大小都可以支持

為 IVA 應用程序在 NVIDIA DeepStream SDK 3.0 上部署的模型導出 API

用于部署在 NVIDIA Clara 平臺上的醫學成像應用的模型導出 API

讓基于深度學習工作流的智能視頻分析變得可能

對于設計和集成智能視頻分析（IVA）端應用程序（如停車管理、安全基礎設施、零售分析、物流管理和訪問控制等）的開發人員，NVIDIA 的遷移學習工具包提供了端到端的深度學習工作流，可以加速深度學習訓練，并在 TeslaGPU 上使用 DeepStream SDK 3.0 進行部署。這些模型針對 IVA 特定參考使用場景（如檢測和分類）進行了全面地訓練。

用于 IVA 的遷移學習工具包中已經包括了下面這些預訓練的圖像分類與目標檢測模型：

醫學影像的端到端深度學習流程

醫學影像的遷移學習工具包提供醫學影像特有的預訓練模型，以及諸如與 AI 輔助注釋 SDK 集成以加速醫學圖像的標注的額外功能，從而允許開發人員使用 AI 輔助標記功能。NVIDIA 研究人員開發的三維腦腫瘤分割模型贏得了 2018 年多模態腦腫瘤分割挑戰賽的第一名。BraTS 專注于評估在多模態 MRI 掃描中用于分割腦腫瘤的最新方法。BraTS 2018 利用多機構術前 MRI 掃描，并著重于對內在異質性（外觀、形狀和組織學）腦腫瘤的分割。NVIDIA 醫學成像遷移學習工具包附帶了這個由 NVIDIA 內部研究人員開發的獲獎的腦腫瘤分割模型，以及用于肝臟病變分割、脾臟分割等其他預訓練模型。NVIDIA 的醫學成像端到端深度學習工作流允許開發人員使用遷移學習工具包來加速深度學習訓練并使用 Clara 平臺進行部署。