PaddleHub

六大《青春有你2》最新实战案例 零基础从Python进入深度学习领域！ 百度飞桨致力于让深度学习技术的创新与应用更简单，现推出 百度深度学习7日打卡营第六期：Python小白逆袭AI大神，从4月22-29日，每天晚8点-9点 ，连续7天，百度认证深度学习布道师亲自授课，通过数据可视化、人脸识别、情感分析带领大家零基础从Python进入人工智能领域！ Python 小白逆袭AI大神 第六次直播课程 短短的7日打卡课程接近尾声，为了更好的检验大家的学习成果，我们发布了本次课程的结业大作业。本次直播课，我们也为有余力的同学准备了加分项目： PaddleHub创意挑战赛 ，相信脑洞大开的你可以进行天马行空的想象，实现自己的AI创意。 直播时间 ： 4月27日（今晚）20:00-21:00 直播内容： 1. PaddleHub 创意赛发布 2. 结业大作业思路解析 3. 课程集中交流与答疑 来源： oschina 链接： https://my.oschina.net/u/4067628/blog/4256913

飞桨(PaddlePaddle)核心框架Paddle Fluid v1.5已经发布，而作为其关键工具，用来迁移学习的PaddleHub也进行了全面更新，正式发布了1.0版本。 全新的PaddleHub模型和任务更加丰富，为用户提供了覆盖 文本 、 图像 和 视频 三大领域八大任务的 40+预训练模型 ，同时还在飞桨官网上开辟了PaddleHub的网页。 本文将对PaddleHub及其更新做更加全面的介绍。 PaddleHub是什么 深度学习模型的价值在AI时代不断增大。要想得到一个高质量的深度学习模型，离不开4个要素，优秀的算法、充足的算力、丰富的数据以及专家知识。大家在深度学习中常常遇到以下问题： 一些研究领域只有少量标注数据，且数据标注成本较高，不足以训练一个足够鲁棒的神经网络 大规模神经网络的训练依赖于大量的计算资源，这对于一般用户而言难以实现 应对于普适化需求的模型，在特定应用上表现不尽如人意 PaddleHub就是为了解决对深度学习模型的需求而开发的工具。 它基于飞桨领先的核心框架，精选效果优秀的算法，提供了百亿级大数据训练的预训练模型，方便用户不用花费大量精力从头开始训练一个模型。PaddleHub可以便捷地获取这些预训练模型，完成模型的管理和一键预测。 配合使用Fine-tune API，可以基于大规模预训练模型快速完成迁移学习

YOLO项目复活，大神接过衣钵！ 两个月前，YOLO 之父 Joseph Redmon 表示，由于无法忍受自己工作所带来的的负面影响，决定退出计算机视觉领域。此事引发了极大的热议， 当我们都以为再也没有希望的时候，YOLO v4 却悄无声息地来了。这一目标检测神器出现了新的接棒者！ 本月24日，YOLO 的官方 Github 账号更新了 YOLO v4 的 arXiv 链接与开源代码链接，迅速引起了 CV 社区的关注。 YOLO v4 的作者共有三位：Alexey Bochkovskiy、Chien-Yao Wang 和 Hong-Yuan Mark Liao。其中一作 Alexey Bochkovskiy 是位俄罗斯开发者，此前曾做出 YOLO 的 windows 版本。 在相关论文中，研究者对比了 YOLOv4 和当前最优目标检测器，发现 YOLOv4 在取得与 EfficientDet 同等性能的情况下，速度是 EfficientDet 的二倍！此外，与 YOLOv3 相比，新版本的 AP 和 FPS 分别提高了 10% 和 12%。 许多特征可以提高 CNN 的准确率，然而真正实行起来，还需要在大型数据集上对这些特征组合进行实际测试，并且对测试结果进行理论验证。某些特征仅在某些模型上运行，并且仅限于特定的问题，或是只能在小型数据集上运行；而另外有些特征（如批归一化和残差连接

本文用户记录黄埔学院学习的心得，并补充一些内容。 课程2：十行代码高效完成深度学习POC，主讲人为百度深度学习技术平台部：陈泽裕老师。 因为我是CV方向的，所以内容会往CV方向调整一下，有所筛检。 课程主要有以下三个方面的内容： 深度学习POC的基本流程 实用预训练模型应用工具快速验证 通用模型一键检测 十行代码完成工业级文本分类 自动化调参AutoDL Finetuner 一、深度学习POC的基本流程 1.1 深度学习发展历程 2006年，这一年多伦多大学的Geoffrey Hinton教授发表的论文，提出了两个重要观点：（1）多层的神经网络模型有很强的特征学习能力，深度学习模型能够学习到的数据更本质的特征；（2）对于深度神经网络获得全局最优解的问题，可以采用逐层训练方法解决。自此，深度学习迅速发展。2007年，深度学习框架Theano发布，用于优化多维数组的计算。2011年，深度学习首先在语音识别领域取得突破。2012年，Krizhevsky等人首次将卷积神经网络应用至ImageNet图像识别大赛，大获全胜。随后，深度学习在自然语言处理、图像识别等多个领域遍地开发。2016年，基于深度强化学习的AlphaGo战胜李世石，大放异彩，以深度学习为代表的人工智能技术在广大群众中热议。2019年，三位深度学习之父：Geoffrey Hinton， Yann LeCun，和Yoshua

【推荐阅读】微服务还能火多久？>>> 在4月初举办的第一期PaddleHub AI创意赛：人像抠图大赛中，很多开发者积极参与，也涌现了不少的好文章和好作品（ 来看看大家把AI抠图玩出了什么花 ），但也有开发者反映因为各种原因错过了比赛也错过了大奖，期待尽快开第二期。没问题，第二期马上要开始啦。 下载安装命令 ## CPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle ## GPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu 这期创意赛主题是啥呢？别着急，我们先从几个真实小场景需求开始讲讲： 场景1：人像美颜 虽然有人说，P图是每个女生的必备技能，但女生P图是一个很大的工程，需要花费很长时间，如果你几十行代码就能帮你女神或者闺蜜P好一张图，那应该会显得自己很酷炫吧！ 通过检测脸部轮廓，五官位置等，实现自然的美颜效果。 效果图如下： 如果感觉还不够，眼睛放大系数和瘦脸系数都可以调整。赶紧fork，然后帮你女神或者闺蜜设计一个适合她的全自动P图程序吧。 教程地址： https://aistudio.baidu.com/aistudio/projectdetail

【今日推荐】：为什么一到面试就懵逼！>>> 本文作者：杨蕊1002 飞桨（PaddlePaddle）是国内唯一功能完备的端到端开源深度学习平台，集深度学习训练和预测框架、模型库、工具组件、服务平台为一体，其兼具灵活和效率的开发机制、工业级应用效果的模型、超大规模并行深度学习能力、推理引擎一体化设计以及系统化的服务支持，致力于让深度学习技术的创新与应用更简单。 从Paddle Fluid v1.0以来，飞桨致力于打造更好的用户体验，趁着百度开发者大会，也为用户精心准备了一份大礼，在开发、训练及部署全流程上进行了全新升级，发布了飞桨的五大特性。接下来小编为您一一解读。 一、动态图&静态图 - 兼具动态图和静态图两种计算图的优势 从飞桨核心框架Padlde Fluid v1.5开始，飞桨同时为用户提供动态图和静态图两种机制。静态图是先定义网络结构而后运行，对定义好的图结构进行分析，可以使运行速度更快，显存占用更低，在业务部署上线上的具有非常大的优势，为用户的AI应用落地提供高效支持。但是静态图组网和执行阶段是分开，对于新用户理解起来不太友好。 飞桨从最新版本开始，提供了更方便的动态图模式，所有操作可以立即获得执行结果，而不必等到执行阶段才能获取到结果，这样可以更方便进行模型的调试，同时还减少了大量用于构建Executor等代码，使得编写、调试网络的过程变得更加便捷

Python自然语言处理只需要5行代码 一、前言 人工智能是Python语言的一大应用热门，而自然语言处理又是人工智能的一大方向。 自然语言处理（ natural language processing ）简称NLP，是研究人同计算机之间用自然语言通信的一种方法。我们都知道，计算机本质上只认识0和1，但是通过编程语言我们可以使用编程语言同计算机交流。这实际上就是程序员同计算机之间的通信，而我们日常生活中使用的是自然语言，是一种带有情感的语言。那么要怎么使计算机理解这种带有情感的语言呢？这就是自然语言处理研究的内容了。 语言的情绪识别是自然语言处理的一种操作，如果要我们从0开始实现情绪识别是比较繁琐的。首先我们需要准备好足够的数据，为了让计算机更好的理解，我们还需要对数据进行预处理，之后需要训练数据，有了训练数据我们才能开始情绪识别。识别的准确率在于数据的相关性和数据量，数据相关性越高，数据量越大，识别的准确率就越高。 然而，我们使用paddlehub可以很快的实现情绪识别，我们先看看如何安装。 二、安装paddlehub paddlehub是百度飞桨PaddlePaddle中的一个模型库，使用paddlepaddle可以很快的实现多种多样的操作，其中就有我们今天要说到的文字情绪识别，而且代码非常简单。首先我们需要安装paddlepaddle，我们进入官网 https://www

本文作者：杨蕊1002 飞桨（PaddlePaddle）是国内唯一功能完备的端到端开源深度学习平台，集深度学习训练和预测框架、模型库、工具组件、服务平台为一体，其兼具灵活和效率的开发机制、工业级应用效果的模型、超大规模并行深度学习能力、推理引擎一体化设计以及系统化的服务支持，致力于让深度学习技术的创新与应用更简单。 从Paddle Fluid v1.0以来，飞桨致力于打造更好的用户体验，趁着百度开发者大会，也为用户精心准备了一份大礼，在开发、训练及部署全流程上进行了全新升级，发布了飞桨的五大特性。接下来小编为您一一解读。 一、动态图&静态图 - 兼具动态图和静态图两种计算图的优势 从飞桨核心框架Padlde Fluid v1.5开始，飞桨同时为用户提供动态图和静态图两种机制。静态图是先定义网络结构而后运行，对定义好的图结构进行分析，可以使运行速度更快，显存占用更低，在业务部署上线上的具有非常大的优势，为用户的AI应用落地提供高效支持。但是静态图组网和执行阶段是分开，对于新用户理解起来不太友好。 飞桨从最新版本开始，提供了更方便的动态图模式，所有操作可以立即获得执行结果，而不必等到执行阶段才能获取到结果，这样可以更方便进行模型的调试，同时还减少了大量用于构建Executor等代码，使得编写、调试网络的过程变得更加便捷。用户可以使用更加便捷的动态图模式进行调试、训练

防控疫情，众志成城。人工智能技术正被应用到疫情防控中来。 “控制传染源、切断传播途径和排查易感人群”是打赢抗疫的三种手段。 其中切断传播途径中，佩戴口罩已经几乎成为了最重要的举措之一。但是在实际场景中，仍然有不重视、不注意、侥幸心理的人员不戴口罩，尤其在公众场合，给个人和公众造成极大的风险隐患。 目前，仅有少数厂商能够提供口罩佩戴人脸检测AI模型的相关商业化方案，且在密集人流下的识别效果参差不齐。而由于缺乏数据集和模型开发经验，更多中小开放商在面临园区、关口等细分场景时，更是无从下手。 百度积极响应号召，为了助推全社会的力量将AI技术应用于防疫工作，决定免费开源自研的“口罩人脸识别”预训练模型，该模型基于2018年百度在国际顶级计算机视觉会议ECCV 2018的论文PyramidBox而研发，可以在公共场景检测大量的人脸同时，将佩戴口罩和未佩戴口罩的人脸快速识别标注。基于此预训练模型，开发者仅需使用少量自有数据，便可快速完成自有场景模型开发。 飞桨预训练模型管理与迁移学习工具PadddleHub已提供PyramidBox预训练模型(pyramidbox_lite_mobile_mask/pyramidbox_lite_server_mask)用于一键检测人们是否佩戴口罩。同时PaddleHub还提供了飞桨生态下的高质量预训练模型，涵盖了图像分类、目标检测、词法分析、语义模型

本文作者：杨蕊1002 飞桨（PaddlePaddle）是国内唯一功能完备的端到端开源深度学习平台，集深度学习训练和预测框架、模型库、工具组件、服务平台为一体，其兼具灵活和效率的开发机制、工业级应用效果的模型、超大规模并行深度学习能力、推理引擎一体化设计以及系统化的服务支持，致力于让深度学习技术的创新与应用更简单。 从Paddle Fluid v1.0以来，飞桨致力于打造更好的用户体验，趁着百度开发者大会，也为用户精心准备了一份大礼，在开发、训练及部署全流程上进行了全新升级，发布了飞桨的五大特性。接下来小编为您一一解读。 一、动态图&静态图 - 兼具动态图和静态图两种计算图的优势 从飞桨核心框架Padlde Fluid v1.5开始，飞桨同时为用户提供动态图和静态图两种机制。静态图是先定义网络结构而后运行，对定义好的图结构进行分析，可以使运行速度更快，显存占用更低，在业务部署上线上的具有非常大的优势，为用户的AI应用落地提供高效支持。但是静态图组网和执行阶段是分开，对于新用户理解起来不太友好。 飞桨从最新版本开始，提供了更方便的动态图模式，所有操作可以立即获得执行结果，而不必等到执行阶段才能获取到结果，这样可以更方便进行模型的调试，同时还减少了大量用于构建Executor等代码，使得编写、调试网络的过程变得更加便捷。用户可以使用更加便捷的动态图模式进行调试、训练