PaddleHub深度学习模型开发工具
PaddleHub是一个深度学习模型开发工具。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。
## 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
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，让预训练模型能更好地服务于用户特定场景的应用。
PaddleHub有什么特色
1、 通过PaddleHub，开发者可以便捷地获取飞桨生态下的所有预训练模型，涵盖了图像分类、目标检测、词法分析、语义模型、情感分析、语言模型、视频分类、图像生成八类主流模型40余个。
△ 图1 PaddleHub提供了40+官方预训练模型
2、PaddleHub引入了模型即软件的概念，通过Python API或者命令行工具，一键完成预训练模型地预测。此外还借鉴了Anaconda和pip软件包管理的理念设计了一套命令行接口。
深度学习时代，模型发展的趋势会逐渐向软件工程靠拢；未来模型可以当作一个可执行程序，一键预测；也可以是第三方库，通过模型插拔的方式提高开发者的开发效率。
同时模型会有版本的概念，通过不断迭代升级的方式提升我们模型的效果。通过命令行工具，可以方便快捷的完成模型的搜索、下载、安装、预测等功能，对应的关键的命令分别是search，download，install，run等。
如以下示例，在安装完成飞桨和PaddleHub以后（具体安装方法见后文示例），使用词法分析模型LAC，可以一键实现分词。
$ hub run lac --input_text "今天是个好日子"
[{'word': ['今天', '是', '个', '好日子'], 'tag': ['TIME', 'v', 'q', 'n']}]
再如以下示例所示，是一个目标检测的例子，通过hub run 调用不同的目标检测模型，一行即可完成预测，同时也可以快速体验哪个模型能更符合开发的需求。
$ hub run yolov3_coco2017 --input_path test.jpg $ hub run faster_rcnn_coco2017 --input_path test.jpg
△ 图2 PaddleHub一键完成预训练模型地预测
3、通过PaddleHub Fine-tune API，结合少量代码即可完成大规模预训练模型的迁移学习。下面一节我们也会全面介绍PaddleHub的API。
PaddleHub API全景
PaddleHub API的全景图如图3所示。
为了更好帮助用户更好的应用预训练模型，PaddleHub对Fine-tune做了6个层次的抽象。
△ 图3 PaddleHub Fine-tune API全景
- 数据集Dataset：PaddleHub提供多种NLP任务和CV任务的数据集，用户也可以在自定义数据集上完成Fine-tune。
- 数据预处理Reader：PaddleHub的数据预处理模块Reader对常见的NLP和CV任务进行了抽象。
- 预训练模型Module：Module代表了一个预训练模型。
- 优化策略Strategy：在PaddleHub中，Strategy类封装了一系列适用于迁移学习的Fine-tune策略。Strategy包含了对预训练参数使用什么学习率变化策略，使用哪种类型的优化器，使用什么类型的正则化等。
- 运行配置 RunConfig：在PaddleHub中，RunConfig代表了在对Task进行Fine-tune时的运行配置。包括运行的epoch次数、batch的大小、是否使用GPU训练等。
- 迁移任务Task：PaddleHub预置了常见任务的Task。Task代表了一个Fine-tune的任务。任务中包含了执行该任务相关的Program、数据Reader、运行配置等内容。每种Task都有自己特有的应用场景以及提供了对应的度量指标，用于适应用户的不同需求。预置的任务类型包括图像分类、文本分类、序列分类和多标签分类各类任务。
PaddleHub还支持用户可以通过继承BasicTask来实现自己的任务。
PaddleHub封装了finetune、eval、finetune_and_eval、predict等直观的基础接口，让开发者更方便完成模型的迁移和应用。