专访 | 小白也能搭建深度模型，百度EasyDL的背后你知多少_736311809的博客-CSDN博客_easydl根据实际应用确定模型的步骤是哪一步
专访 | 小白也能搭建深度模型，百度EasyDL的背后你知多少
736311809
于 2019-03-27 18:23:43 发布
1178
收藏
文章标签：
人工智能 图像识别 easydl
专访 | 小白也能搭建深度模型，百度EasyDL的背后你知多少
部署深度学习服务非常困难，因此简单易用的图形化系统就显得极为重要。本文介绍了百度的图形化深度学习系统 EasyDL，用户可以不需要机器学习背景知识而搭建优秀的深度学习服务。本文重点讨论了 EasyDL 系统的技术模块与优势，它大量采用了迁移学习与自动模型搜索，并针对不同的定制化任务学习不同的深度模型。 随着机器学习，尤其是深度学习在复杂数据上的表现越来越优秀，很多开发者希望能将其应用到自己的服务或产品中。然而即使是使用预训练模型或开源框架，对于很多不太了解机器学习算法工程的开发者而言还是有非常大的挑战。此外，若机器学习不是产品的核心技术，额外维护机器学习算法团队的成本又非常高。因此，很多时候我们需要一种能快速使用高性能深度学习的方法。
从整体而言，构建我们自己的机器学习应用首先需要收集数据，并执行复杂而繁琐的数据预处理，随后如何选择模型与各种层出不穷的修正结构也非常困难。在训练中，需要经验的调参过程与各种技巧也会对模型性能造成影响，更不用说需要根据数据情况选择与修正最优化方法了。因此即使不考虑工程化问题，将机器学习模型部署到客户端也有非常大的成本。
其实目前在 GitHub 上有很多优秀的机器学习开源项目，例如各种预训练深度卷积网络、高度封装的算法以及大量开放数据集，不过要想复现以及根据实际情况调整这些项目，开发者还是需要一些 ML 领域知识。此外，很多项目的文档说明与技术支持都有待提高，它们需要开发者一点点调试与试错才能正确搭建。更重要的是，将训练后的模型部署到移动端等平台会遇到非常多的困难，这主要还是当前流行的深度学习框架并不能完美支持模型部署。
所以对于不太了解 ML 的开发者而言，最好将上述这些过程都自动化。例如我们只需要收集少量和任务相关的数据，并直接在平台上完成标注，然后让系统帮我们选择合适模型与超参数进行训练，最后已训练模型还可以直接部署到云 API 或打包成安装包。其实现在也已经有一些平台能完成这一些过程，例如谷歌的 AutoML 和百度的 EasyDL 等。
EasyDL 主页：http://ai.baidu.com/easydl/
如下所示为 EasyDL 训练模型的基本流程，整个过程都是图形化操作，且如果是上传已经处理好的数据，那么强大的迁移学习系统会在几分钟内完成模型的训练。百度 AI 开放平台文档中心对 EasyDL 的建模过程有详细的描述，因为这一图形化的系统非常简明，所以文档也通俗易懂。
如上所示，EasyDL 将整个服务精炼为四个步骤，并且可以在不需要机器学习背景知识的情况下开发模型。创建模型只需要选择我们任务所属的类别，例如图像分类或目标检测等。训练模型只是选择我们创建的任务与数据，再点击训练就行了，系统会自动搜索各种模型架构和超参数。最后上线模型同样也只需要确定到底是获取云端 API 还是离线 SDK，整个过程不会涉及到复杂的算法与工程方面问题。
EasyDL 在 2017 年 11 月初上线了定制化图像识别服务，并在业内展开公开测试。在 2018 年 4 月、5 月和 7 月陆续发布了定制化物体检测服务、定制化模型设备端计算和定制化声音识别等多个定制化能力方向，并形成了从训练数据到最终定制化服务的一站式端云一体平台。目前 EasyDL 的各项定制能力在业内广泛应用，累计过万用户，在包括零售、安防、互联网内容审核、工业质检等等数十个行业都有应用落地，并提升了这些行业的智能化水平和生产效率。
主要技术手段
EasyDL 的主要优势在应用案例的累积、简明的产品设计与操作流程、支持移动端计算与部署等，而支持这些优势的是 EasyDL 背后各种主要技术手段。例如 AI Workflow 统一大数据工程系统与分布式训练系统，为 EasyDL 提供稳定的系统和流程支持；采用 PaddlePaddle 作为基本框架，为模型的搭建提供基础；采用 Auto Model Search 自动搜索模型超参数，支持获得更好的训练效果；采用迁移学习训练较小的用户数据集，从而大大加强训练效率与效果等。
AI Workflow 与 PaddlePaddle
AI Workflow 是百度对机器学习从训练到上线构建的工作流引擎，它是一个将大数据成熟的工程系统与人工智能分布式模型训练相结合的引擎。它覆盖了从训练数据的存储，ETL（抽取、交互转换和加载）、模型训练任务的发起、训练集群资源调度、训练状态监控同步、模型自动部署、服务发布上线等全部环节，并实现了全自动流程。
总体而言，AI Workflow 的主要流程可以分为四个阶段。首先第一阶段是对数据进行预处理，例如对图像实现归一化、大小裁剪与数据增强等。随后第二阶段是模型的训练，或者说是学习过程，这一阶段会基于百度研发的深度学习框架 PaddlePaddle 进行分布式训练。训练完模型后，第三阶段就需要验证模型的效果，也就是说用户可以上传小规模的测试数据，并对模型的召回率与精度等指标进行验证。最后第四阶段为服务的上线或模型的部署，在这个过程中我们可以将已训练模型加载到云端并对外提供服务，也可以打包为一组移动端开发套件，为进一步集成到其它任务中提供接口。
整个 AI Workflow 在系统层面和服务层面同样也会有一些优化，例如 PaddlePaddle 团队会对模型的训练阶段做很多优化，包括 GPU 的内核融合和利用 RDMA 优化分布式训练等。而 EasyDL 团队这边也会在服务层面做一些优化，例如在推理阶段中，他们需要优化任务调度，并加速模型推理速度。
在 AI Workflow 中，整个训练和推理阶段都是使用 PaddlePaddle 框架，它包含了许多高性能的模型算法实现, 为最终出色的效果提供了强有力的支撑。虽然 EasyDL 的用户不需要了解与使用 PaddlePaddle，但其多年的 AI 技术积累以及大量的业务使用验证，使得框架对于各种任务都非常安全稳定。
此外针对于移动端部署，Paddle-Mobile 设计之初就对嵌入式的性能、体积、能耗、硬件平台覆盖等方面做了考虑。而 EasyDL 的端计算版本也是使用该框架设计更紧凑与高效的模型，并将其发布到移动端。
自动模型搜索与迁移学习
目前 EasyDL 采用了 Auto Model Search 的算法，即系统会同时发起多个模型结构和超参数不同的训练，并采用对应算法进行最终模型的筛选，从而确保更优的模型效果。Auto Model Search 与后文介绍的 AutoDL 在功能上是相近的，但百度的 AutoDL 是一种神经架构搜索方法，它关注于利用强化学习从头构建神经网络。
Auto Model Search 是指对于同一方向的定制能力，也就是说它会采用多个经典模型以及不同的超参数配置，并分别进行训练。然后再按一些策略挑选出比较好的结果，并完成模型的上线。其中系统可调的超参数包含神经网络类型的选择，例如对于图像分类可以选择 Inception、ResNet 或者其他。而对于每一个模型，可选的超参数包含批量大小、迭代数量和卷积核大小等。在确定模型架构，并配置完超参数后，每一个单独的模型都会并行的训练，并按一定策略选择效果最好的模型。
其实 Auto Model Search 是针对特定用户数据的，在用户上传与他们任务相关的数据后，EasyDL 会抽取多个已训练深度网络，并采用迁移学习和不同的超参配置精调这些深度网络。如下所示在用户确定好小型数据集后，EasyDL 可能会选择 Inception v3/v4 和 ResNet 等，在固定这几个网络前面层级的权重后，系统会根据用户数据以及不同的批量大小和学习率训练网络。
EasyDL 大量采用了迁移学习技术，各种基础模型会在百度大规模数据集上进行预训练，并将从中学习到的知识（Knowledge）运用到用户提交的小规模训练数据集上，从而实现出色的模型效果和快速的模型训练。迁移学习的主干是非常大的网络，而一般我们每一类只需要使用 20 到 100 多张图像就能完成对后面层级的训练，且 EasyDL 也会采用 Early Stopping 等正则化手段降低模型过拟合的风险。
图像的迁移学习可能比较好处理，但 EasyDL 的声音分类并不需要太关注序列上的长期依赖关系，因此它也能使用迁移学习。声音分类的迁移主要会采用 MFCC 或加上快速傅立叶变换将音频的时域数据转换为频域的图，然后再利用与计算机视觉相类似的迁移方法传递与音频相关的知识。而以后在处理语音识别等存在长期依赖性的数据时，主体模型可能会继续用到其它迁移知识的技术。
此外对于图像方面的迁移学习，如果用户需要区分非常精细的图片或执行细粒度识别任务，那么一般迁移学习主要会获取图像的全局信息，它很难抽取精细特征。EasyDL 其实也能处理这些细粒度识别任务，但迁移效果很大程度上会受到用户数据的影响。因此训练集图片需要和实际场景要识别的图片环境一致，且对于细粒度识别这种具有很多相似图像的任务，用户需要增加更多的训练图像。
最后，为了提升模型迁移效果，EasyDL 会做一些特别的数据增强操作，即增加一些图像以加强模型的迁移效果。例如假定用户希望系统能识别两个类别，并为这两个类别提供了特定的数据，那么系统会自动增加其它一些数据，并作为第三个类别。在训练中，系统不仅需要识别用户的数据，同时还需要识别自动添加的数据为第三类别。
神经架构搜索
EasyDL 即将引入百度领先的 AutoDL 技术，这是一种 AutoML 的技术，它实现了深度学习网络结构的自动搜索和设计。百度的 AutoDL 是工业界中的一个项目，因此它主要由三部分组成，首先第一部分是从头开始搜索神经网络架构，即神经架构搜索。第二部分是神经网络的自动适配，也就是说根据不同的任务目标与需要进行适配，比如说目标是部署模型到移动端，那么系统就需要考虑正确率、参数量和计算量等条件来适配网络。第三部分是设计网络的迁移能力，AutoDL 希望搜索出具有强大迁移能力的一般性神经网络架构。实际上架构搜索与迁移能力是存在相对关系的，系统花大量计算资源希望搜索到针对特定数据有强大能力的架构，而可迁移性又希望系统找到的架构能推广到其它更多的数据。
在架构搜索策略上，目前比较流行的有进化策略、强化学习和基于梯度的连续空间搜索方法。而百度的 AutoDL 主要是基于强化学习，其核心思路是希望能搜索到尽可能广的空间。为了将神经架构搜索构造为强化学习问题，神经架构的生成可以视为智能体对动作的选择，动作空间也就相当于搜索空间。智能体获得的奖励会根据已训练架构在验证数据上的性能评估而定义。
不同的 RL 方法在表示智能体的策略和如何优化它们存在差异：Zoph 等研究者使用循环神经网络（RNN）策略对一个字符串进行序列采样，该字符串反过来对神经架构进行编码。Baker 等人利用 Q-learning 训练策略，该策略依次选择层的类型和对应的超参数。这些研究，包括谷歌大脑早期提出来的 NASNet，它们都引入了非常强的先验知识。
例如 NASNet 规定了网络实际上有多少单元，这些单元的搭建方式也是手动设计的，系统只需要自动设计单元的具体结构。而设计具体的单元结构也会存在一些先验知识，例如限制单元必须是两个操作输出一个结果等。AutoDL 主要的方向是希望搜索任何有向无环图结构，这样模型的表达能力和搜索空间就远远大于之前的方法。此外由于降低了搜索的先验知识，因此计算力会变得非常大，这也就对强化学习的采样效率有非常高的要求。
除了神经架构搜索，模型的适配也是非常重要的方向。AutoDL 会将很多目标添加到强化学习的反馈值，例如我们考虑一些多任务学习，模型会有一套衡量参数量、计算量与正确率的方法，并最终反馈到强化学习，从而修正搜索方向。
AutoDL 采用的是一种 Hierarchical RL，它同样也是基于 on policy。因为 AutoDL 的搜索空间非常大，系统需要一些结构性的探索，因此搜索空间的探索才回更有效率一些。NASNet 之前第一个版本是基于策略梯度（PG），第二版本是基于近端策略优化（PPO），虽然它们的抽样效率比较低，但它们确实展示了强化学习在这一方面的能力。所以总体而言，AutoDL 主要还是沿着 NASNet 所开辟的方法，并利用其它技术与技巧提高采样效率。
模型部署与设备端计算
目前 EasyDL 有两种发布服务的方式，即生成在线 API 和离线 SDK。从应用场景来说，在线 API 能让开发者更方便地与业务系统整合，因为在线 API 毕竟是 HTTP 层面的接口。而离线 SDK 有更低的调用延迟，对互联网的依赖性也没有那么强，它可以利用本地计算资源实现更安全与稳定的计算。而从技术实现来看，在线 API 是云计算的形式，离线 SDK 是端计算的形式，它们主要的差别在于是不是需要对性能与能耗做权衡。
在线 API 的能耗主要出现在服务端，系统不需要做太多的量化或者模型剪枝等优化，模型也不需要做特定的压缩。此外，在线 API 对于芯片端的优化也只需要考虑各种云端 GPU 来做一系列的推理加速。但是移动端的话选择非常丰富，例如可以是针对高通系列的芯片、也可以针对神经网络 NPU 或者针对可插拔的 Intel Movidius 加速卡进行优化。因此离线 SDK 的技术实现相对而言要难一些。
一般对于机器学习开发者而言，在云端训练一个模型，并部署为一个服务已经比较成熟。但将模型迁移到设备端仍然会面临很多困难，开发者需要考虑硬件兼容、能耗与性能等非常具体的问题。EasyDL 在发布离线 SDK 的过程中就已经自动做了很多工程优化，包括对轻量模型的选择和对计算阶段的量化等。其中选择轻量架构可以大幅度降低模型大小，量化可以大量降低包体大小，它们都能加速应用在内存中的加载。
总的而言对于设备端计算加速，首先 EasyDL 会选择 MobileNet 和 ShuffleNet 等轻量级的模型，例如在目标检测中，系统可能会使用 MobileNet 代替 SSD 中的主干网络，因而获得更高能效比。第二点是系统会通过模型剪枝将不太重要的网络参数去掉，例如去掉 CNN 中权重小于某个阈值的连接或直接去掉不太重要的卷积核。第三点会采用量化操作加速推理阶段的计算，其主要思想是降低卷积运算中数值的精度，从而降低整体的计算量与参数存储空间。
设备端加速第四点会采用很多指令集，包括 ARM 和 Neon 等，其中 Neon 是一种单指令多数据的指令集，系统可以通过一条指令加速多条数据，这些都是硬件层面的加速。最后设备端还能从计算单元的角度进行加速，例如 GPU 和 NPU 等。
欢迎使用百度EasyDL: ai.baidu.com/easydl 原文摘自原文摘自机器之心。
736311809
关注
关注
点赞
收藏
评论
专访 | 小白也能搭建深度模型，百度EasyDL的背后你知多少
专访 | 小白也能搭建深度模型，百度EasyDL的背后你知多少部署深度学习服务非常困难，因此简单易用的图形化系统就显得极为重要。本文介绍了百度的图形化深度学习系统 EasyDL，用户可以不需要机器学习背景知识而搭建优秀的深度学习服务。本文重点讨论了 EasyDL 系统的技术模块与优势，它大量采用了迁移学习与自动模型搜索，并针对不同的定制化任务学习不同的深度模型。随着机器学习，尤其是深度学习在...
复制链接
扫一扫
专访百度AI交互设计院院长关岱松：感知类学科的尽头都是心理学 | 甲子光年
网易智能
03-14
1272
▼点击上方蓝字 关注网易智能为你解读AI领域大公司大事件，新观点新应用我们处在一个“科技质变”的前夜。当变化来临之时，我们是否在心理上准备好了？ 这几天，AI领域最诡异的新闻莫过于“Echo怪笑事件”：许多用户报告，在他们完全没有发出指令的情况下，内置Alexa语音助手的亚马逊智能音箱Echo竟然“无故大笑”。有些案例中，Echo甚至违抗用户命令，频繁开灯、关灯或遥控其他智能硬件，吓坏不少用户，这
使用百度EasyDL实现签子计数
PaddlePaddle
09-13
75
EasyDL网址：https://ai.baidu.com/easydl/今天，给大家带来使用百度EasyDL实现签子计数的教程。Step4：点击【查看与标注】可以看到数据集已做标注。Step5:接下来直接训练，点击训练模型，添加数据集。step12：发布完成，体验H5。step16：创建完毕，回到刚刚的页面体验H5。step3：点击我的模型-创建模型并填写信息。step19：上传照片体验下自己的H5界面。step17：填写H5信息。step18：生成二维码。step15：填写信息。Step7:开始训练。
参与评论
您还未登录，请先
登录
后发表或查看评论
EasyDL-SDK树莓派部署1
qq_41271475的博客
08-17
1521
查看系统
解压
tar -xvf xxx.tar
解压到同一目录
unzip wwwroot.zip
设置序列号
在“”中填入序列号
图片3
引航计划——人工智能通识（3）EasyDL调用
最新发布
qq_44496832的博客
11-15
42
调用
专访马化腾：首次开谈个人经历、管理心得、技术创新、微信的诞生等
imtech4713的博客
10-29
8905
本次访谈时间发生于2016年10月22日下午，当时清华经管学院举行了清华管理全球论坛。会上清华经管学院学院院长钱颖一教授同腾讯创始人马化腾展开了两小时精彩对话。主要内容包括马化腾创办腾讯的前期经历，腾讯内部的管理方式、微信的前生今世和马化腾看好的下一个创新。
本文首发于清华大学经济管理学院，本次重新整理，供即时通讯产品同行们学习和参考。
1、访谈概要
腾讯公司主要创始人兼首席执行官马化腾，...
「开源者访谈录」第 3 期：如何在开源的同时斩获 Chrome 商城 40000+ 用户？
GitHubDaily
03-23
174
大家好，这里是「开源者访谈录」，本节目将通过问答的方式，对一些优秀的开源项目作者进行专访，并撰写成文，推送到我们公众号与知乎专栏等渠道，与大家一起学习，共同见证一个伟大开源项目的成长。访...
【专访】Gavin Wood: 我与以太坊的二三事
weixin_34096182的博客
07-15
122
“但如果你真的想改变世界，还是得通过网络来学习和探索。”
——Gavin Wood
如果你是加密世界的技术流，你一定知道圈内的传奇人物Gavin Wood。他被称为以太坊的隐形大佬，人称“隐形大脑”，为人低调、神秘，但他的地位却举重若轻。
他编写的《以太坊黄皮书》， 其作用和影响力堪比亚当·斯密的《国富论》。他是以太坊联合创始人，以太坊客户端Parity 创始人，Polkadot 创始人, ...
基于EasyDL搭建音频在线实时分类系统
qiaoyurensheng的博客
09-05
815
本人基于自我学习目的搭建了生猪音频实时分类系统，使用百度 EasyDL 零门槛AI开发平台训练音频分类模型，然后发布为公有云在线服务；之后使用 javascript + axios + wavesurfer 搭建前端展示界面用来展示实时分类的效果。
EasyDL 语音识别
jxsl6的博客
12-14
438
　　前面给大家分享百度大脑EasyDL 文字识别的相关内容，今天给大家带来EasyDL 语音识别的相关知识，我们一起来了解下吧！
　　EasyDL 语音识别
　　语音识别语言模型，声音分类模型零代码自助训练。对业务领域专有名词识别准确率进行有效提升，不同声音类别区分，具有语音识别、声音分类等功能。广泛应用于语音对话、语音指令、语音录入、电话客服、安防监控、科学研究等诸多场景。
　　优势
　　1，零门槛操作
　　一站式自动化训练，训练优化最快10秒，极简交互的文件上传体验。
　　2，高精准评估
　　训
百度AI开放平台学习——EasyDL经典版-图像分类模型训练与验证
沧夜的成长日记
04-28
4779
百度AI开放平台学习——EasyDL经典版-图像分类模型训练与验证
前言
EasyDL是百度的一个在线机器学习训练与验证的平台。有三个不同的版本，这次我们使用的是经典版。主要任务是识别鬼灭之刃的炭治郎
这次使用的是EasyDL平台的图像分类 https://ai.baidu.com/easydl/app/overview/
创建模型
首先进入图形分类的界面，点击左侧的模型中心——>创建模型
...
有关easyDL的浅析（资料集合）
维达欲速则不达的博客
08-07
5909
在EasyDL的服务端，有下面几种核心技术：AI Workflow分布式引擎，百度自创PaddlePaddle深度学习框架，迁移学习，Auto Model Search机制， early stoopping机制，模型效果评估机制。下面来一一了解一下。
对于一个DL建模，大致工作流程如下：
（1）在数据仓库提取数据
（2）ETL*进行数据清洗，特征提取，验证集的切分
（3）分布式训练
（4...
专访 CNCF 大使张磊：让云原生不再是大厂专属
阿里巴巴云原生的博客
12-10
287
来源|阿里巴巴云原生公众号
近日，GitHub 上的 Go 语言趋势榜出现了一个新的项目 —— KubeVela。
据项目官方文档，KubeVela 是“一个简单易用且高度可扩展的应用管理平台与核心引擎，KubeVela 是基于 Kubernetes（K8s）与 Open Application Model（OAM）技术构建的”。
在云原生浪潮席卷全球的今天，相信大家对 K8s 肯定不会陌生，那么 KubeVela 和 OAM 又是什么技术呢？事实上，K8s 的大名虽然已经路人皆知，但在很多社区网友的反馈
专访百度熊辉：有人转AI纯粹因为好找工作，这样的人不是我想要的
AI科技大本营
12-01
969
2018 年初，学术界的明星人物，美国罗格斯－新泽西州立大学教授、ACM 杰出科学家、长江学者熊辉加盟百度，担任百度商业智能实验室主任以及百度人才智库主任。从...
使用百度EasyDL定制化图像识别（一）
热门推荐
codecho的博客
06-15
1万+
最近在做工程实训，课题是使用百度的EasyDL定制化图像识别来识别垃圾种类，没错，就是垃圾！先了解一下什么是EasyDL：EasyDL是一款定制模型训练和服务平台，我们可以根据自己的需求来创建自己的模型，使用合适的训练集来进行训练，训练完成后校验训练结果，如果满足我们的需求就可以申请发布了，发布成功后就能获取API或SDK，可以用于实际应用了。 EasyDL目前支持创建两种模型：图像...
基于百度英伟达EasyDL公开课的学习笔记
李皮皮的博客
07-21
3050
本文是基于智东西公开课《零算法基础的百度EasyDL定制化图像识别揭秘》整理的学习笔记
本文非广告，标注单纯是出于尊重智东西和EasyDL的知识产权
如若涉及侵权，请联系本人
作者：李皮皮
谢绝任何不标注原出处的转载以及百度百家号抄袭
本次公开课为期一小时，涉及四个方面：
1. AI赋能行业的的痛点
2. EasyDL服务端和设备端技术解析
3. GPU集群加速EasyDL训...
百度EasyDL图像分类的使用
胸毛飘荡的博客
11-05
2700
1. 创建模型
浏览器打开
https://ai.baidu.com/easydl/image_classification
点击开始训练，然后点击创建模型，选择公司或个人，填写对应资料，如下图：
点击下一步，可以看到模型已经创建成功
2.创建数据集
点击我的数据集——>创建数据集
输入数据集名称，然后上传压缩包，图片和压缩包需要遵守右边的规定。
然后点击上传压缩包——>保存
...
EasyDL训练目标检测模型并在jetson-nano上部署（附数据集）
shajiayu1的博客
06-07
4754
目录一、模型训练1.数据准备，数据标注2.模型调参3.发布模型二、Jetson板卡环境搭建三、模型部署和总结
EasyDL专业版是EasyDL在2019年10月下旬全新推出的针对AI初学者或者AI专业工程师的企业用户及开发者推出的AI模型训练与服务平台，目前支持视觉及自然语言处理两大技术方向，内置百度海量数据训练的预训练模型，灵活支持脚本调参及Notebook两类开发方式，只需少量数据可达到优模型效果。
我们的部署目标硬件是jetson-nano板卡。根据硬件性能选择了SSD-MobileNetV1模型。
直播实录|百度大脑EasyDL·NVIDIA专场 产品介绍及AI端计算技术架构解析
百度大脑
06-01
2245
主题：
EasyDL—Jetson产品介绍及AI端计算技术架构解析
时间：
2020年5月27日
讲师：
百度AI技术生态部高级产品经理 子季
NVIDIA开发者关系经理 李雨倩
百度AI开发平台部资深研发工程师 陈老师
【直播回放】
EasyDL-NVIDIA Jetson产品介绍及AI端计算技术架构解析：https://www.bilibili.com/video/BV1Zp4y1Q7ub
【课程笔记】
本次课程将会包括EasyDL的最新产品介绍，包括最新推出的EasyData简介、NVIDIA Jet
“相关推荐”对你有帮助么？
非常没帮助
没帮助
一般
有帮助
非常有帮助
提交
©️2022 CSDN
皮肤主题：大白
设计师：CSDN官方博客
返回首页
736311809
CSDN认证博客专家
CSDN认证企业博客
码龄4年
暂无认证
原创
71万+
周排名
70万+
总排名
1179
访问
等级
16
积分
粉丝
获赞
评论
收藏
私信
关注
热门文章
专访 | 小白也能搭建深度模型，百度EasyDL的背后你知多少
1178
您愿意向朋友推荐“博客详情页”吗？
强烈不推荐
不推荐
一般般
推荐
强烈推荐
提交
最新文章
2019年1篇
目录
目录
最新文章
2019年1篇
目录
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额
抵扣说明：
1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。 2.余额无法直接购买下载，可以购买VIP、C币套餐、付费专栏及课程。
余额充值