出品 | 智东西公开课

讲师 | 百度AI开发平台高级研发工程师 饼干老师

导读：

数据不足的情况下，我们可以利用数据增强的方式进行弥补；训练效率的问题，可以通过预训练模型+迁移学习的方式节省训练时间；而在整个“炼丹”的过程中，我们也可以通过超参推荐实现自我优化，减少人工调参的成本；同时加上灵活的部署方式，可以实现高精度AI模型一站式开发与部署。

在5月9日晚7点的高精度AI模型公开课百度EasyDL专场中，百度AI开发平台高级研发工程师饼干老师，为大家系统讲解企业在AI模型开发中的难点，以及针对这些难点，百度EasyDL专业版又是如何解决的。

本文为此次专场的实录：

大家好，我是来自百度的饼干老师，目前负责EasyDL经典版、EasyDL专业版、EasyDL零售版的一些相关开发工作和算法调研工作。

今天的课程主题为《基于EasyDL训练并部署企业级高精度AI模型》。本次讲解的内容分为下面几个部分：

1、企业在开发与部署AI模型中面临的挑战

2、AI开发平台EasyDL介绍

3、EasyDL技术原理解析

4、脚本调参和Notebook开发方式介绍

5、EasyDL企业应用案例

6、实操：饮品检测模型训练、调优与部署

企业在开发与部署AI模型中面临的挑战

目前各行各业都需要AI的落地，但是在落地的过程中，往往需要定制化地开发AI模型。在一次联合调研过程中，我们发现约86%的市场需求需要定制化开发业务场景下的AI模型。这里画一个重点，是“定制”这两个字。

百度的AI开放平台已经提供了一些通用的接口，但是这些通用接口只能满足一部分的需求，并不能满足所有的需求。比如科研机构的野生生物识别，这是属于一个细粒度图像分类的问题；还有工业上统计原材料的数量、或者说统计工业上的一些瑕疵；物流方面的包裹分拣；安防方面的厨师帽检测、安全帽施工检测；零售方面，统计SKU的数量、计算分销率、或者统计货物在货架上的占比等等。

然而在定制AI模型的时候，我们会遇到一些困难和挑战。数据采集与标注的成本非常高，而且由于大部分的开发者缺少训练模型的经验，导致整个模型迭代的优化时间会很长。其次我们需要将训练好的模型快速与业务系统紧密结合，因此在工程中的模型部署环节也需要花费很大的精力。

总体来说，目前定制AI模型面临着成本高、项目效果无法达到预期等问题。

AI开发平台EasyDL介绍

下面是第二部分，EasyDL的介绍。

EasyDL是一个企业级的一站式AI开发平台，同时支持定制化的训练模型。EasyDL为企业、以及个人开发者提供了AI模型开发中的全流程功能支撑，面对不同的群体提供多样化的产品形态。多样化的产品形态，包括EasyDL经典版，帮助零算法基础的用户定制高精度的AI模型；专业版，提供可编程操作，帮助开发者更加灵活地进行AI模型开发；零售版，结合零售场景中的数据、算法，做了一些场景优化和增值服务。

EasyDL底层基于百度自研的飞桨PaddlePaddle深度学习框架实现。支持图片、文本、视频、音频等输入数据。依托飞桨核心框架，提供数据预处理、模型训练、部署以及serving服务。目前提供的服务方式有4种：

1）公有云API：用户可直接调用百度云提供的API进行使用。

2）设备端SDK：做移动端、端设备、以及嵌入式的一些同学可以考虑使用设备端的SDK进行服务部署。

3）Edgeboard/十目软硬一体：目前我们所有的算法都会去优先适配这两款软硬体的设备。

4）本地服务器部署：针对一些有本地化、私有化部署需求的同学，我们提供本地化服务器部署的方式，同样可以达到serving的效果。

-EasyDL经典版

EasyD经典版是2017年11月份推出的全球第一个AI定制化开发平台，目前主要提供图像分类、物体检测、图像分割、文本分类、声音分类、视频分类等功能。其适合AI基础比较薄弱、或追求高效率开发的企业及个人开发者。

-EasyDL零售版

在经典版的基础之上，我们推出了零售版。提供结合了零售行业的数据、算法、工具等一些服务。其次，我们推出了一些增值功能，比如说SKU Cloud、货架拼接、智能排成、翻拍识别，门头识别等。

举个例子，比如说SKU Cloud，我们已经提供了一个1500类日常化品类的API ，在满足场景的情况下，可以直接使用提供的标准化API。如果有其他需求，则可以通过EasyDL零售版平台训练满足实际零售场景需求的SKU模型。该版本适用于有商品识别需求的零售行业企业或者服务商。

-EasyDL专业版

为了满足用户的深度编程、深度调参等需求，去年我们推出的EasyDL专业版。其中内置了百度自有的海量数据训练的预训练模型，目前在CV和NLP领域已经提供了多项的功能。其中在NLP领域，我们预置了百度自研的业界效果最好的预训练模型ERNIE和多种NLP经典算法网络。ERNIE在中英文的16个任务上超越了业界最好模型。2019年底，ERNIE以历史上首次超越90大关的成绩登顶自然语言处理领域最权威的GLUE评测榜单。之后在SemEval 2020 中摘得五项世界冠军。目前通过EasyDL专业版助力业界开发者，模型效果和开发效率全面提升。

最后介绍一下EasyDL的平台特性。与普通的机器学习工具相比，EasyDL从数据、模型训练、到最后的服务，提供了一站式的解决方案。我们面向用户也很广泛，可以是零基础的小白（经典版），也可以是有一定数据处理能力的开发者（专业版）。同时也提供了比较全面的定制化开发能力，包括分类、检测、分割、文本、声音等。在服务端我们提供了端云一体的解决方案，轻快即用，并内置大量的预训练模型。

EasyDL技术原理解析

然后我简单介绍一下EasyDL的一些基本技术原理。

在业务层面上，我们主要提供了数据集管理、模型训练、模型评估、模型校验和模型发布的功能，其底层依托于飞桨PaddlePaddle平台。

在工作流这一部分，我们自研了AI Workflow，可以实现数据服务、数据预处理、模型训练、评估模型、模型部署的整个Workflow定制化。

下面我们先介绍一下AI Workflow，然后主要讲一下数据服务，数据预处理和模型模型训练这三个部分。

-AI Workflow

提到模型训练，我们知道，不仅仅是训练这一个步骤，一般的深度学习都会经历从数据获取、数据预处理、模型训练、模型评估到最后服务部署的流程。EasyDL的AI Workflow，融合了传统的机器学习工作流和大数据处理，其中，数据获取是基于MongoDB和HDFS，数据预处理和评估是基于Spark这个大数据处理框架，模型训练是基于飞桨PaddlePaddle这个深度学习框架，serving也是基于k8s构建的一整套运维系统。

AI Workflow的基本功能就是要把这些架构完全不同的任务组织成工作流，自动完成流水线任务。进一步讲，AI Workflow还需要对任务进行并发管理、优先级管理、任务重试、支持幂等性等功能，此外，还需要对底层资源进行调度和分发，从而保障流水线可以高效有序地完成。

-数据服务

数据服务主要包括数据管理、智能标注、和数据闭环，其都可以通过EasyData来完成。EasyData是近期上线的智能数据服务平台，提供数据采集、标注、清洗、加工等一站式数据服务，助力开发者高效获取AI开发所需高质量数据。接下来重点介绍一下数据服务中的智能标注。

智能标注，只需要用户标注30%的数据就可以训练出与全量数据训练效果相等的模型，其标注的流程如下图右上角所示。当我们有成千上万的数据时，如果全部通过人工标注的方式进行标注，那么需要的工作量很大。所以我们可以先标注少量数据，启动智能标注，然后进行模型训练，通过少量数据训练出的模型自动对其他数据进行标注，而人工只需要对数据中的难例进行判断，如果符合标准，则可以直接进行标注，不符合标准，则启动下一轮智能标注的循环，极大地减少了人为的工作量。同时整个工作流也都可以通过AI Workflow来直接完成。

举个例子，如左上角所示。我们进行一个猫狗数据集的标注，如果利用模型进行识别，第一张图片中的小猫我们可以很容易地判断出它是一只猫，属于Easy Case，而后面两张图片就比较难识别，可能会被识别为其他的类别，属于Hard Case。所以，简单的Case是可以通过模型进行标注，而一些多样性比较大的Case还是需要人为进行标注。从最终标注的结果来看，我们大约只需要30%的标注数据，便可以达到100%标注数据所达到的效果，节省了70%的人力成本。

-数据预处理

我今天主要介绍一下数据预处理中的数据增强。举一个简单的例子，如下图所示。

比如说在我们采集到的数据中，品牌A的车头都是朝左，品牌B的是朝右，那么对于第三张图片，模型是识别为品牌A、还是品牌B呢？会不会将车牌识别为一样的呢？还是会识别车牌的朝向呢？

为了增强其类别的置信度，我们可以对原图进行数据增强，比如水平翻转、180度翻转、和270度翻转等。当然，翻转只是数据增强方式的一种，还有其他如抠图、裁剪等方式。

不同场景下所需要的增强方式是不同的。对于开发者来说，需要了解数据集与应用场景，以及每种数据增强方式的不同参数设置。

在EasyDL专业版中，我们提供了一种超参自动选择搜索的自动数据增强方式。在实际的操作过程中，我们会针对开发者提供的Training Data，提供预设置的增强策略，通过对策略和超参搜索，选择与该数据集特性强相关的增强策略，对数据进行有益地增强。

-模型训练

最后是模型训练部分。模型训练包括了四个部分，Transfer Learning、AutoDL、自动超参优化和分布式训练加速，下面我将为大家一一介绍。

Transfer Learning，所谓迁移学习，就是事先用一个大数据集训练出一个模型，然后用这个模型再接受用户自定义的小数据集来进行训练，对其中网络结构参数进行微调，从而使模型对于用户的小数据集更加敏感，达到好的识别效果。

那么为什么需要用迁移学习？我从0开始训练一个模型不行吗？一个是考虑用户数据稀缺性：从头训练一个深度神经网络模型，很依赖大规模的标注数据，但考虑到行业数据的收集难度和标注成本，非常难以获得。使用迁移学习的另一个原因是考虑训练时长：从0开始训练，往往需要几天甚至几周，但使用迁移学习，训练耗时只需要几小时甚至若干分钟，可以加快用户的模型迭代效率。

当然，迁移学习不是万能的。要使用迁移学习，前提是要保证源领域与目标领域的相似性，这里的源领域是指预训练模型所使用的数据集，目标领域指用户自定义的数据集。迁移学习要求它们具有相似性，只是目标领域更具定制化和细分化。

举个例子，比如你会骑自行车，那么应用迁移学习，相信你也能骑电动车，但若是你会骑自行车就想直接开汽车，那迁移学习做不到，因为差别太大了。

因此，EasyDL是使用了百度自有的海量数据进行预训练，对用户涉及到的各个应用场景，基本上都会有涉及，所以才能满足这个前提。

AutoDL，利用强化学习设计深度学习的框架。具体来说，随着硬件、应用场景和模态的多样化，我们使用的模型结构也需要不断进化。那在设计新模型的过程中，这个搜索空间极为庞大，想要尽可能探索这一空间，就必然要从手工设计模型，转向自动化生产模型。我们实际使用到的技术就是利用深度增强学习完成模型设计，系统由两部分组成，第一部分是网络结构的编码器，第二部分是网络结构的评测器。

编码器通常以RNN的方式把网络结构进行编码，然后评测器把编码的结果拿去进行训练和评测，得到包括准确率、模型大小在内的一些指标，反馈给编码器，编码器进行修改，再次编码，如此迭代。经过若干次迭代以后，最终得到一个设计好的模型。

自动超参调优，做过算法调优的朋友都知道，人工调参，需要设定一组超参数，跑一组实验，然后根据结果再来调整超参数，这个过程会非常耗时费力，因此我们需要转向自动调参。要做自动调参，就要涉及到超参推荐策略，也就是根据上一组实验结果的反馈，推荐出下一组实验的超参值，从而让任务自动化。具体的推荐策略简单的有Random, Grid(网络搜索), 具有推荐算法的策略常见的有TPE，bayes等。

此外，自动超参调优还有搜索方式的优化。普通的搜索方式就是并行独立搜索，即并行跑多组实验，全部跑完后收集结果，哪组结果最好，就认为哪组超参最优。另一种搜索方式是叫PBT，它也是并行搜索，但不独立。

这里我举例来说明，如上图中，有两个并发进行的实验，初始时传入的超参和模型权重都不相同，经过一定轮数的训练之后，到第2步会对两个worker效果进行对比，发现worker 0效果比较好，就进行第3步，把workder 0的权重和超参值复制到worker 1,worker 0本身的训练不受影响，而对worker 1，还要进行第4步，对复制过来的超参值加入一些扰动，使之与worker 0参数有所差异，再继续训练。这样就相当于在训练过程中把worker 1上原始的超参值给过滤了，并在好的超参基础上进行进一步实验，从而加快搜索效率。

分布式训练，前面几个模型训练阶段的优化都是针对模型效果的，其实在训练效率上，我们也有优化加速，那就是使用DGC深度梯度压缩机制。

DGC是由清华大学和斯坦福大学共同发表的论文中提出的一种方式。在分布式训练的过程中，各个Worker和ps，或者是Worker之间（这与分布式方式相关），都需要进行大量的梯度数据同步,而数据同步会花费大量带宽，对训练环境要求较高，同时耗时也高，尤其是随着训练节点数的增多，通信开销也将成倍增长。基于此，DGC算法就是挑选出实际有效的梯度数据，并进行压缩，从而大大减少了分布式训练时的通信开销，在论文中，DGC在保证精度未受损的情况下，压缩比例达到了270倍至600倍。

飞桨PaddlePaddle从1.6.2版本开始也集成了DGC的优化机制，我们也即将应用到EasyDL专业版中。可以看下我们做的对比实验，在v100上dgc机制加速明显，其中两机两卡单batch加速9倍、两机四卡单batch加速7.4倍。分布式的DGC已经在4月份的EasyDL专业版上使用，大家可以在训练的时候选择多节点方式进行训练。

脚本调参和Notebook开发方式介绍

下面给大家介绍一下EasyDL专业版的两种开发模式，脚本调参和Notebook。

脚本调参，进入到脚本调参页面之后，首先是数据集的选择。数据集可以是提前准备的数据集，包括分类、检测。

然后是数据增强策略的选择。我们这边支持自动搜索，如果选择默认配置，我们对每一个模型都会选择一个比较通用的增强策略。选择手动配置的话，用户可以根据自己的行业经验去配置增强策略。针对不同的场景，不同的想法，都可以通过手动的方式进行配置。

其次，是网络的选择。我这边选择的是一个Faster R-CNN网络，你也可以选其他如YOLO、RetinaNet等网络。并且同时支持Python2、Python3两个版本。

重点来了，如果你想修改这个模型的结构，或修改一些模型参数，你可以在这个脚本编辑里面点立即编辑进行编辑。上面暂时并不支持Backbone 的修改，就是说ResNet50+FPN是不能修改，但是box head，就是头部是支持修改的。

还有Batch size、Input of size、Epoch、以及学习率的变化、Learning rate的变化都是支持修改的。包括对于检测任务来说，一些uncle base方法、基于锚框的训练方法，我们都可以设置一些关于锚框的一些训练参数。

Notebook，是一个类似于Jupyter的开发工具。左侧的这几个文件都可以通过本地上传，数据集也可以本地上传，也可以直接用EasyDL把之前上传过的数据集直接拉到这个训练环境当中。你可以把这个环境理解成属于自己的一个高性能GPU服务器终端，我们在Notebook 里面，为每个Notebook 的用户内置了一个32GB、V100的GPU，这个性能是很好的。大家可以用这个Notebook去实现一些简单的模型，这就是完全把主动权交给大家。

如果说之前的EasyDL经典版是一个黑盒，那专业版的就可以修改一些参数，通过Notebook的开发模式，用户可以自己实现模型的定义、数据的读取、数据的增强、以及最后的预处理。大家如果有新的想法，都可以去体验一下我们的Notebook 。

EasyDL企业应用案例

最后再讲一些在EasyDL上经典的应用案例。

这是一个扶贫办的案例。汉中扶贫办使用EasyDL训练房屋类型、医学条件的识别模型，并将识别模型加入到他们的平台系统中，极大地提高工作人员的效率。以前并不能做到家家户户地检查，而通过这种方式，就可以做到全覆盖检查。

这是一个工业喷油嘴瑕疵的质检。柳州源创公司使用EasyDL物体检测的模型去训练它们工业喷油嘴瘕疵的检测模型，大约每年可以节约60万的成本，检测效率提升了30%。中间那个图片是他们的解决方案，其中的检测模型是用到了我们检测的模型。

零售场景中通过定制化的商品检测去进行陈列审核。惠合科技采用了EasyDL训练的商品检测模型，抽取了3000家零售门店并接入陈列审核，那么品牌商就可以通过这种方式计算到商品的排列占比、分销率等。从前是通过人力去观测这些数值，而现在通过AI的方式，让人员的效率大大提升了30%。

这个是我们内部的一个Case ，百度作文的小程序。通过EasyDL文本分类，训练识别出作文中的一些修辞手法，并且将修辞手法作为一个参数来对文章质量进行打分，然后再做一些排序，将文章质量高的结果排在前面，进行推荐。