拉布拉多训练工具( 二 ) _训练

【拉布拉多训练工具】目前 TAO 已经支持 30 多种基础类与复合类神经网络，分别隶属于以下两大分类：

文章插图
视觉类：augment、bpnet、classification、dssd、emotionnet、efficientdet、fpenet、gazenet、gesturenet、heartratenet、lprnet、mask_rcnn、retinanet、ssd、unet、yolo_v3、yolo_v4、yolo_v4_tiny、converter、detectnet_v2、multitask_classification、faster_rcnn等对话类：speech_to_text、speech_to_text_citrinet、action_recognition、text_classification、question_answering、token_classification、vocoder、intent_slot_classification、punctuation_and_capitalization、spectro_gen、n_gram等能支持这么庞大且复杂的神经网络种类，必须归功于 TensorFlow 与 Pytorch 这两个强大框架的支撑，并且 TAO 所支持的类型也会随着这两个框架的扩充而增加，充分利用起 Google 与 Facebook 两大巨头的技术资源。
（2）实现Zero Coding的CLI指令接口：
要知道 TensorFlow 与 Pytorch 这两个深度学习框架的优点是功能强大，但伴随的难点是繁琐且复杂，二者光结构说明与开发指导都在近千页的规模，即便撇开神经网络算法不谈，光要熟悉任何一个框架的使用，至少也得花上数周至数月的时间。
如果再加上对个别神经网络算法的摸索与理解，然后在框架上开发/测试/除错有针对性的代码，这需要相当高的综合技术能力，绝非一般开发人员所能胜任。而这个组合性问题，也是目前延缓人工智能发展进度的一项主要原因。
为了解决这个问题，英伟达为 TAO 提供了一套高阶封装的 CLI 指令接口，这是一套基于 Python 所开发的指令解析器，让开发人员透过指令的操作，去执行不同类别神经网络的模型训练、精度评估、剪裁、推理等复杂的工作，而不需要撰写任何一行的 C++ 或 Python 代码，真正实现 “Zero Coding” 的境界。
操作人员只要熟悉以下的指令格式，就能非常轻松地执行模型训练的相关操作：
tao <主功能/网络种类> <子功能> [配套参数群]这里的 <子功能> 包括 database_convert、train、evaluate、prune、export、inference 等操作，在[配套参数群]还能指定参与计算的 GPU 数量与编号等，大概花上几十分钟就能轻松掌握这套指令格式的逻辑。
例如要使用编号 1 的 GPU 去训练 ssd 模型，大致的指令内容如下：
tao ssd train --gpu_index=1 -e <配置文件路径> -r <结果输出路径>例如要将 KITTI 数据集转换成 YOLO_v4 所用的格式，大致指令如下：
tao yolo_v4 database_convert -d <配置文件路径> -o <结果输出路径>使用这样的指令集，即便是不熟悉 TensorFlow 或 Pytorch 框架、不了解神经网络算法的开发人员，也能非常轻松地执行各种神经网络的模型训练工作，让企业彻底摆脱那些艰涩的技术枷锁。
这套高阶封装的 CLI 指令集，让我们能完整利用两个强大框架的功能与资源，却又不用受到其复杂度的困扰，真正享受到“得其所长、避其所短”的效果，算得上是 TAO 工具套件的灵魂所在。
（3）提供针对性的配置文件：
要实现指令的单纯化的目标，就需要有完整的配置系统作为搭配，这个部分会是开发人员在 TAO 工具套件上最需要花时间的内容。
由于每种神经网络都有其独特的结构与参数种类，因此必须为每个网络提供各自的配置文件，例如图像分类(classification)的配置文件中，都有 model_config、train_config、eval_config 三个配置组，物件检测(object detection)配置文件还多了 nms_config、augmentation_config、dataset_config 等配置组。
此外，在训练过程还有 dataset_convert、train、prune、retrain 等阶段，都有一小部分参数需要进行微调，这些细节就需要开发人员对个别神经网络结构有进一步的了解，所幸 TAO 为目前所支持的神经网络都提供优化过的配置文件，使用者不需要从 0 开始进行配置，只要以范例文件为基础进行修改就可以。