【PPT下载】百度EasyDL平台最全讲解！算法小白为何最快5分钟就能定制出一个AI模型

去年3月，智东西公开课推出超级公开课NVIDIA专场，目前已讲解完12场，共12位主讲导师参与。

本次讲解为超级公开课NVIDIA&百度联合专场，也是超级公开课NVIDIA专场第11讲，由百度AI技术生态部高级算法工程师赵鹏昊主讲，主题为《如何借助GPU集群搭建AI训练和推理平台——零算法基础的百度EasyDL定制化图像识别揭秘》。

赵鹏昊老师对百度EasyDL定制化训练和服务平台进行了全面讲解。EasyDL是基于大规模NVIDIA Tesla P4,P40为主的GPU集群搭建而成，使得算法小白也能通过这一平台最快五分钟完成一些小规模数据集的训练，获得一个90%以上的高精度的定制化模型。目前EasyDL主要开放了图像分类、物体检测和声音分类能力。

以下是赵鹏昊老师的主讲实录与大纲，共计9418字，预计10分钟读完。

大纲

1.AI赋能行业的痛点

2.EasyDL服务端和设备端技术解析

3.GPU集群加速EasyDL训练与推理

4.EasyDL赋能行业案例分享

主讲实录

赵鹏昊：大家好，我是百度的工程师，赵鹏昊。今天晚上给大家讲解我们是如何利用GPU集群搭建的一些EasyDL平台的。我们今天会从以下四点给大家进行讲解。第一点是：AI赋能行业的痛点；第二点：我们EasyDL平台的服务端和设备端的技术解析，第三点：我们如何利用GPU集群来加速EasyDL的训练和推理。最后是我们EasyDL对行业的一些案例的分享。

AI已经是大家耳熟能详的名词了，像我们生活中都能见到像人脸识别的技术、像我们百度出的小度在家、小度智能音箱这种智能语音的技术、多轮对话的技术还有我们百度与金龙客车合作的无人驾驶技术。这些都已经慢慢的进入到我们寻常人家并在改变我们的生活。近十几年来，我们在理论上、框架上、芯片上等等各个方面上技术的发展，AI正在成为新时代的电力。

为了让AI成为新时代的电力，百度AI开放平台开放了一些通用的模型来解决一些通用的需求，比方说，我们已经开放了OCR技术、图像识别、自然语言处理等技术。百度AI开放平台使用通用的模型去解决一些同样的问题，比如OCR技术里面会有一些身份证、银行卡的OCR识别。这些技术运用了我们百度内部长期积累的数据和算法，我们希望通过我们积累的这些数据和算法，能够提供高质量的模型来给用户使用。有些客户会有一些像右边这些图中的需求：比方说：他们想要通过图片去识别出这是哪种中草药，以此来帮助他们的工作人员去进行药品鉴定。再比如说：品牌的零售广告主，他们会签约一些小超市和小卖部，让他们把自己的产品摆放在货架大部分的位置，所以就有了巡检员去巡检摆放合不合规。

但是通用模型解决不了这些需求，这就涉及到AI定制化需求时碰到一些难题，这些客户的核心诉求，第一：通用的API不能够满足他们的业务需求，需要根据他们自己的数据去训练他们独特的模型。第二：这些客户往往对自己的专业的领域知识很了解，但是他们不了解深度学习的理论和模型训练的方法，而且他们也不希望去面对繁琐的训练、部署、运维等工作。第三：他们希望快速的去验证这个模型的效果。

用户在验证效果满意之后，还希望能够拿到一个定制化服务的API或者想要做自由化的部署，拿到一个离线的SDK，去结合他们的产品做成一整套自己的产品和服务。

EasyDL平台正是看到了AI赋能行业的痛点，看到了用户在做定制化需求时的诉求，所以开发了这样一个定制化训练模型和服务的平台，左图是EasyDL平台的整体架构，用户提供自己的数据，这些数据可能是图片、文本、声音或者视频等等。然后放入平台中，由平台做加工学习、部署和服务。最终给用户提供一个云端独立的RestAPI或者是一个离线SDK，让用户能够补充到自己的终端智能设备中。

我们跟普通机器学习和深度学习 工具 的差异，跟TensorFlow或跟百度自己的PaddlePaddle这些工具的差异是：提供从数据到服务的一站式平台，不需要用户有任何机器学习或深度学习基础，并且我们按能力划分：比如图像分类能力、物体检测能力、声音分类能力以及刚上线的声音分类能力后面还会有更多能力。我们不仅提供了一个云端的RestAPI的服务,还提供了设备端SDK的服务。

并且EasyDL平台使用方便、训练模型更加轻快、精度更高，而且我们有强安全的策略能够保护用户的数据和模型。

下面给大家介绍EasyDL平台服务端和设备端的技术。首先是服务端的核心技术，下面从四个方面给大家介绍。第一个是说我们如何提供从数据到模型到接口的一站式服务。里面就是主要涉及到我们开发的AIworkflow的分布式引擎以及百度的PaddlePaddle深度学习框架。第二是在数据较少的情况下如何做到训练效率的提高，主要涉及到我们迁移学习技术。第三：如何做到更高的精度。主要是Auto Model Search和Early Stopping的机制。最后给大家介绍一下我们EasyDL平台模型效果评估的功能。

一般的深度学习工作流程如下：将大量标注好的数据存在数据仓库中。然后通过一些数据清洗工具做ETL。清洗数据并提取需要的特征，可能还会做一些训练及验证集切分等。用这些清洗好的数据做分布式训练，之后对得到的模型去做一个效果评估。如果满意，最终会把它去做一个部署，然后可以让它上线服务。

我们AI的训练集往往很大。在大数据领域，大家都知道经典的3V原则，无论是数据容量、数据增长速度以及数据多样性都非常大。所以我们在工程上，加入了一个大数据工程系统作为基础设施来提高我们整个EasyDL的效率和便利性。右图是EasyDL的AIworkflow的分布式引擎的解决方案，左图是我们用mongoDB Hadoop HDFS来做的一个分布式存储。

我们后面会用spark集群去对数据做分布式的预处理和模型最后的分布式评估。在训练阶段我们是用kubernetes集群来做调度。模型是用paddlepaddle写的。最后呢，我们把训练好的模型通过 docker 技术在平台上做一个服务。

我们在paddlepaddle框架的API上做进一步的封装。我们对数据的预处理、模型的训练、模型的评估等阶段，做了进一步的抽象。这样使得工作流可以完全的实现配置化和自动化。

刚才我们也提到了paddlepaddle这种百度开源的深度学习的框架。paddlepaddle上面开源了我们百度一系列的成熟的模型和数据。并且他还有大量的中文的文档视频培训课程等。所以说他可以说是最适合我们中国的开发者的一个框架，以及paddle mobile、可伸缩扩展EDL和可视化VisualDL插件等可伸缩的扩展的、可视化组件等这些功能。右边是我们EasyDL使用paddlepaddle的一个应用事例。从这个事例中我们可以看出来，用paddlepaddle做我们模型的定义和训练是非常方便的。

一般而言，深度神经网络的训练需要大量的标注数据，但是有定制化需求的客户拥有的标注数据往往有限。而且从头训练一个神经网络是很花时间的，但是客户希望更快地得到训练的模型。

为了解决这样的矛盾，我们采用了迁移学习技术。迁移学习通过源领域数据学习到知识，然后将其应用到相关的目标领域中，帮助目标领域的任务完成训练。比如，我们可以在一个通用的植物分类模型中学习到一些识别植物的知识，然后将这种知识应用到前面提到的中草药识别任务中，帮助它更快更好的训练。

举个例子，比如说我们刚才提到的中草药识别。如果说我们有一个通用的植物分类模型。那么我们就可以将这个模型中学习到的一些识别植物的知识运用到中草药分类的任务当中，来帮助他更好的去做训练。具体来说，我们是将百度大规模的标注数据集在深度神经网络上去做预训练，然后我们得到训练的参数，然后我们将这种预测训练的参数加载到我们这个网络中，根据用户的数据在网络得到用户自己的一个模型。

具体的，我们将百度大规模的标注数据集在深度神经网络上做预训练，得到预训练参数，然后将用户的数据在预训练模型中做微调，最终得到用户的定制化模型。训练时间从几十小时降到分钟级别。此外，我们还支持多领域预训练、数据闭环、持续训练等机制。

为了更好的去匹配不同的数据，我们利用Auto model search设施对模型的结构调整，和超参数、优化器等等这些去做自动的搜索，去选取一个最佳的模型。另外，用户提供的数据量有时候比较小，在我们深度神经网络训练中，往往就会出现一个过拟合的现象，对应为了应对这种过拟合的现象，我们就采取了Early Stopping机制来降低过拟合的风险，提高模型的可能性。目前。我们图像分类绝大部分模型的准确率在百分之八十以上。

我们提供了全面的模型效果的评估功能。我们有一个整体模型评估的页面去展现出我们整个模型的像准确率、正确率等指标。比如说图像分类中每个分类的精确度，比如说在物体检测中，我们会展示这个不同阈值下的F1Score。我们会帮助我们的用户去选择一个阈值。我们还提供了BadCase的展示，然后通过BadCase展示我们的模型哪个图片识别错了，然后有一个感性的认识，去发现自己数据当中可能存在的问题，或者去补充一些效果比较差的一些分类的数据。

以上是我们服务端的核心技术。大家也知道我们不仅提供云端的API服务，也提供离线SDK。那么我们为什么要做这样的一个设备端计算呢，这其实是IoT领域提出的一个概念，在智能家居领域里面，每个家庭的局域网内有很多智能的设备。有些计算自己可能就可以在自己的设备上完成。然后，但是计算力不够的时候，有可能需要中间有一层叫做雾计算的结构。所以需要去做一些运算和协调计算。如果再不能满足，便再向上请求到云计算的服务器去做计算和协调这样的一个多层的计算网络的结构。

就是因为云计算和设备端计算他们有不同的特性，就向右边这张表格所展示的，云计算在计算能力方面非常的强大，而且系统的架构非常的开放，非常的集中在一些机房里，而且研发成本相对较低。因为互联网时代已经有非常这样的开发经验。但是设备端计算也有自己的一些优点，虽然算力有限但是可以做到比如模型的前向推理，没有网络的依赖，可以做到实时的响应，而且它的功耗非常的低。

正是由于设备端有这样的响应、没有网络开销，而且方便私有化部署、保护隐私等等这样的优势。所以说我们也支持了设备端计算的能力，并且非常看重这个方向。目前我们EasyDL的平台，已经支持了iOS 利用MPS实现GPU加速和ARM芯片通过NEON技术加速和android方面支持NPU的加速计算，并且还会有计划去支持更多的系统和计算平台。

目前我们提供设备端能力是通过下面两种方式。首先，提供了一个默认的app，用户扫码就可以安装并使用。在这个app里面内嵌了定制模型，还有一些基本的UI界面用户就可以在里面去操作去试使用。另外一种方式是我们提供了离线的SDK，这个SDK里面封装了完善的接口，可以满足开发者去做灵活的二次开发。下面给大家简单介绍一下我们EasyDL设备端的技术。我们的EasyDL设备端也是基于Paddle Mobile设备端深度学习计算框架去做的，并且我们已经广泛支持主流的设备操作系统和芯片，并且还做了设备的模型的转换压缩优化。在设备端计算加速这块，我们就是充分利用的设备端芯片进行加速，比如说我们在IOS上用了MPS库，可以更好的利用IOS上面的GPU进行加速。我们还在ARM芯片上通过NEON技术来做加速。

除了速度时间这个因素之外，我们在设备端去部署模型还要考虑的一个问题是模型的体积。在服务器上，我们都到的机器学习模型往往大小在两百兆到五百兆或者说更大。因为深度学习网络的模型会比较复杂，而且，尤其是如果说你有很多全连接层，参数就会更多，但是设备端的内存容量，计算能力一般都远远低于服务端。我们手机的内存可能就两G，这已经很大了，而且我们也不可能把这个全部都占满，所以说我们必须得做模型压缩，然后减少内存占用，提高计算的效率。

目前，我们通过一些模型加速的技术可以把这个移动端的模型的体积压缩到二、三十兆。我们采用的压缩技术包括把一些不重要的参数去掉，量化，将一些浮点数量化成8bit的数值或者4bit的数值。或者是采用一些更轻量化的网络。

下面呢，给大家介绍一下我们如何利用GPU集群去加速EasyDL的训练和推理。我们EasyDL平台主要就是利用英伟达的特斯拉系列的GPU去做去深度学习的平台。目前主力是p4和p40这样的GPU，我们还用到了这样像V100这样的高端的GPU来做模型的训练实验等。我们用这样的大规模集群去做并发的训练来支撑我们大规模的深度神经网络的并发的训练。能够大幅度缩减我们训练的周期。像这个p4有5.5t的单精度的计算能力。

P40的有12tfloat单精度计算的能力，并且p40的显存是24G，P4的显存只有8GB。所以我们在P4做我们这个模型的部署和服务，在P40，V100上去做模型的训练。

我们模型的线上推理阶段采用了大规模的P4为主的集群。通过我们这里的数据可以看到，利用GPU集群的性能远远超过了CPU的集群。在我们典型的一个业务场景下，我们对集群单点的承载和实验的性能进行了压力的测试，大家可以看到我GPU集群的显著优于CPU的集群。

由于基于GPU集群的训练和服务都足够的快，所以说在用户体验方面，我们EasyDL的用户最快五分钟就可以完成一些小规模的数据集的训练并且获得服务。我们比同样的需求通常需要数天的训练的周期相比我们大幅的提升了效率。这样的就解决了我们定制化模型训练和服务中的一些效率的挑战。

我们用刚才所说的kubernetes来完成了我们GPU集群的搭建。这样我们可以对训练和服务做到统一的资源调度来高效的利用我们的资源。并且也有很好的扩展性，我们还可以通过扩展我们GPU的集群的规模来拓展训练的能力，扩展我们服务的能力。并且我们有这个高可用的特性，如果有故障了，也不会影响到我们集群的一个服务能力，保证我们服务的一个稳定性。

最后，跟大家分享一下我们EasyDL行业的一些案例。目前，我们可以解决两个问题。其实现在已经是三类的问题了，就是后面我会给大家介绍我们第三类的能力。这两个问题是说我们有图像分类的能力，我们可以通过一张图片去识别它到底是属于客厅还是餐厅。这样的话可以方便我们互联网内容的平台去做图片的自动打标签的一些功能。我们还有物品检测的能力，就是说我们可以识别出来这张图片里面有没有空调，空调在什么地方。我们可以将这种能力的应用到我们零售仓储行业的商品货品，检测统计等等这样的场景中。

我们EasyDL平台，从去年十月份上线一测以来就支持了刚才所说的图像分类能力，在今年四月份我们又开放的物品检测的能力。在今年五月底我们支持了刚才介绍的设备端计算能力也就是离线SDK能力。刚刚大家跟大家想到我们有第三个能力，这也就是我们昨天刚刚上线的声音定制化识别的能力，大家有兴趣就可以去我们平台上试用。

第一个给大家分享的案例是蝶鱼科技的案例。这是一家制造键盘的制造商，然后他们的场景是说在键盘的制造过程当中会有一些缺陷或者错装以及不符合规格的情况。他们要把这些识别出来的跟正常的做区别然后再出场。之前这都是通过人工去做的。在利用了我们EasyDL平台去训练了三千多张图片之后，识别率达到了百分之九十九以上。他们就让我们的EasyDL接口和他们自己的供应摄像头做了一个综合的检测系统来帮助他们的生产线每年节省了十二万的人工检测成本。

第二个案例是美国的零售安防的供应商，他在美国的纽约州，新泽西州等等七个州一百多个超市里面有一千多台摄像头设备，主要就是来监控购物车下层有没有没付款的商品。之前他们都是通过传感器去判断的，但是传感器对于一些残疾人购物车或者儿童购物车这些错误的识别率很高，所以他们利用我们的平台去做一个EasyDL模型的训练。最后的准确率能够达到百分之九十五以上，远远超过了这个客户的预期。

前面介绍的都是图像分类的一些案例，这个是物品检测的案例。这家客户是叫做惠合科技，他们有个产品叫做e店佳。就是通过零售部门店去做拍照，然后去看这个摆放的商品合不合规。之前的他们都是巡检员去巡检，然后用人工的方式去统计。这样一方面成本很高，另一方面。作弊的现象也比较多，利用我们EasyDL平台去做这样的一个物品检测的模型训练之后，他们接入了这样的一个自动化的审核的方案使得他们审核效率提升了百分之三十。

最后一个案例，那来自于我们百度的合作伙伴CELLA，CELLA是面向企业客户的一个系统集成商，这是他为圣象地板做的解决方案，圣象地板会有一些瑕疵。利用我们百度EasyDL平台，他对前面两种瑕疵去做图像的分类，对后面两个去做物体检测，整体的测试识别准确率能达到百分之九十五以上。然后。我们将这样的一个方案的离线SDK移植到我们客户的智能摄像头里面，去做成了一个软硬一体的方案。这样的话提高了我们单片木板的产能，现在的处理时间仅为原来的一个四分之一。

EasyDL平台如此多成功的案例。那么他复杂吗？一点都不复杂，只需要简单四个步骤，只需要十分钟就可以获得自己建立模型。第一步就是创建我们的数据和模型。第二个就是模型的训练，第三步是验证模型的效果，第四部是发布模型的服务。在我们EasyDL的首页里面有用户的说明文档，还有教学的视频，大家感兴趣可以去。看看我们这些这个教学的内容去尝试一下使用我们的EasyDL。

Q&A环节

问题一

朱俊-炙伦云计算-总经理

1、EasyDL是一个教学或学习平台还是一个生产平台？

2、训练后获得的算法，是否可以在离线环境下使用？离线环境需要具备哪些条件

3、EasyDL是否提供训练用的数据集？用户是否可以上传数据集，对上传的内容是否有限制？

赵鹏昊：1、我们没有定义EasyDL平台一定是一个什么样的平台。EasyDL平台无论是针对普通的开发者还是商家都是可以用的，如果你是一个学生，你可以在上面去做些实验或者去跑一些好玩的东西。如果你是一个传统行业的从业者，你也可以去发现有哪些是希望借助人工智能去解决的问题，在我们平台上去寻求一个模型的解决方案。因此，它是什么平台取决于用户怎么用，同时目前也是完全免费的。

2、目前支持离线环境下的使用，我们已经有了提供离线SDK服务的能力，用户不需要在网络环境上去请求云端的API，完全可以把离线的SDK集成到自己的环境中去做私有化的部署。

3、EasyDL平台没有提供数据集的，因为我们是针对那些有定制化需求的用户，这些用户有自己特有的数据集，我们提供的是上传数据集功能的，可以根据他们自己行业里面或者自己需要解决的问题去上传属于自己的数据集。另外，我们对上传内容的限制也仅仅是图片的大小，比如每张图片小于四兆。

问题二

李平-中油瑞飞-工程师

1.EasyDL能否训练模型，识别阀门开关状态，数字仪表的示数，以及指针仪表读数？

2.还有个问题，就是EasyDL和百度的boteye一体机是什么关系，两者怎么协同工作？能否根据设备指示灯判断设备工作状态？

赵鹏昊：1、这个是可以识别的。比如，你可以把这个数字仪表都拍下来，用物体检测模型将上面的示数1、2、3、4、5框起来，然后给它一个对应的类别，是类别一还是类别二或者是类别三。当后面有新的数字仪表的图片进来放到物体检测时，就可以直接给你返回相应的示数和对应示数的位置。当然，百度AI平台还有其他相关的识别，你也可以了解下这方面相关的一些技术。

2、Boteye是百度视觉技术部门做的一个智能摄像头，主要是用于视觉巡航。目前来说我们还没有跟Boteye有深度的结合，但是我们跟Boteye的团队做的另外一款产品叫做Xeye有一些后面的合作，因为Xeye是做端上的AI相机，我们可以用端的能力去做一些比如图像分类、物体检测等工作。大家也可以去关注一下我们后面跟Xeye的一些合作。

问题三

王绍迪-知存科技-CEO

EasyDL未来的发展定位是什么？提供更多样数据，支持更多的算法开发，甚至支持其他非深度学习类脑算法开发？

赵鹏昊：对于EasyDL平台未来的发展肯定是要提供更多的模型和能力。目前已经有了图像能力，包括图像分类、图像检测等，另外，我们也提供了声音分类的能力。后面还需要去支持更多的能力，比方，文字分类、情感分析以及视频监控等等的能力。

这是在我们平台内部的发展，另外我们还想与外部（百度其他的部门）有更多的合作。比方，我们百度有AutoDL部门，我们不需要用人工去设计一个网络了，而是用算法去自动搜索一个网络，这跟我们定制化地去训练模型有一些共同之处，我们正在打算跟他们去沟通合作，如何将AutoDL的能力应用到EasyDL上来，帮助用户更好地去训练他们的数据，得到一个更好的模型。同时，我们百度开放平台会提供一个叫做AIstore的平台，在上面，可以让开发者去做开发，也可以让一些有需求的买家去购买算法应用到自己的平台上。而我们EasyDL平台会跟AI市场有进一步的合作，将整个上下游的关系都打通，建立起一个整体的生态。

问题四

王猛-大华-开发

EasyDL对模型和数据安全保护方面有什么措施，如何保证训练结果与数据的安全？

赵鹏昊：目前对用户上传的数据是有多重的保护的。一方面我们会对请求的数据做多方的鉴权，去核实你是不是当前对应的用户；另外一方面，我们在数据保存的时候也会做进一步的加密。因此我们对数据和模型的安全性是非常看重的，而且也做了非常多的保护工作。

问题五

涂文哲-电子科技大学-研究生

EasyDL与其他平台有什么突出优势？

赵鹏昊：就像刚才所说的，EasyDL平台已经提供了设备端能力，目前为止，我们的一些竞品平台，比如Google的平台还没有提供设备端能力的一种解决方案，而且EasyDL平台非常的简单易用，只需要十分钟就可以去完成，不需要任何的机器学习基础。

问题六

王慧丽-湖南飞腾-工程师

EasyDL定制化平台，主要是软件算法定制吗？还是支持针对特定应用和算法加速的硬件定制？

赵鹏昊：EasyDL平台主要是模型的定制，而刚才我们也介绍了EasyDL平台设备端的能力，我们会根据一些设备端异构的芯片去做一些特定的加速。因此，也可以认为会针对这个特点支持硬件定制。

问题七

文奴-中科智能-产品总监

工业检测中，检测目标更有多样性，比如：裂痕、划痕、凹陷。且检测目标的大小不一，深度学习方式的分类训练样本如何高质量获得，又如何准确具有高泛化能力？

赵鹏昊：EasyDL平台提供了目标检测的能力以及数据标注的能力，但是训练的样本还是需要我们客户自己来进行标注，如果您在行业里面碰到了裂痕、划痕和凹陷等问题，相对而言，您对这个方面最为了解，那么你就需要把您自己的情况将图片拍下来，然后去我们平台上进行标注。当然，由于标注成本比较高，因此，后续也会有跟一些众包商进行合作，为大家提供众包的标注服务。

关于模型的性能，在物体检测中，我们有很多优秀的模型，从最开始的FastR-CNN到SSD、YOLO、FPN、RetinaNet等等，EasyDL平台也会紧跟学界最先进的模型去做开发，让我们的用户能够体验到深度学习最前沿的发展带给大家的便利。

问题八

姜毅-中科院-算法

1.EasyDL云端训练好的模型及参数可否导出，并部署到其它系统中？如何进行？

2.关于Easy AI Workflow Solution，其中以下几点是否有专门的设计用意？PaddlePaddle使用kuberbetes容器，Inget task使用hadoop和mongodb，Pre&Eval task使用Spark框架。

3.PaddlePaddle框架在定义网络模型时支持动态图吗？

4.PaddlePaddle框架相对TensorFlow，Caffe等开源框架有什么显著的优点？

赵鹏昊：1、像我刚才所说，EasyDL支持设备端的SDK，用户可以利用设备端的SDK来部署到你自己的服务中，只要有SDK的开发能力就可以了，但是目前我们不支持模型参数的导出。

2、关于Easy AI Workflow Solution的设计，我们主要考虑到稳定性、可扩展性以及成熟性等方面。在数据存储上，我们用的是hdfs,mongodb，这些都是在分布式系统和分布式DB中比较公认的，而且有很多实践经验的系统，在数据处理方面，spark也是这样的一个分布式系统。我们之所以使用Kubernetes和PaddlePaddle，是由于它们有很成熟的解决方案，同时也非常稳定和易用。

于祥：3、4：PaddlePaddle是我们国产的一个框架，和其他行业相比，它的设计最大优势在于易学易用，首先是易学，我们官方已经上线了将近四百套相关的课程，这些课程从底层的数学理论到最后实战项目和一些可以落地应用的项目。整个流程都是非常完善的，按照这个课程，一步一步入门Paddle，也不会是一条很陡的学习曲线。

其次，Paddle周边的生态环境非常的丰富，对于刚入门的同学来说，我们可以有n种方式去安装Paddle，最简单的方式就是使用一个Docker，但对于学生群体来说，会有一个问题，就是我们没有那么多的钱去买云的GPU服务器或者带GPU自用服务器，那么就可以使用我们的AI Studio平台，它直接提供了免费的计算资源供我们使用，而且还免去了安装这一步。易用是指它的编程范式抛弃了像TensorFlow中一些新的概念，它还是用原有的一些过程性的程序编程范式，比如循环、判断、分支等来构建神经网络，这样就会比较贴近我们学习编程时的一些思维，也不会去学习很多新的概念。

课件获取

第一讲，NVIDIA大中华区高性能计算及Applied Deep Learning部门技术总监主讲赖俊杰，主题为《如何搭建适合自己的深度学习平台》

第二讲，NVIDIA高级系统架构师吴磊主讲，主题为《如何为深度学习和HPC提供更高算力》

第三讲，NVIDIA DLI认证讲师侯宇涛主讲，主题为《不需要写代码，如何用开源软件DIGITS实现图像分类》（线上实践课程，无课件）

第四讲，图玛深维首席科学家陈韵强、NVIDIA高级系统架构师付庆平共同主讲，主题为《深度学习如何改变医疗影像分析》

第五讲，NVIDIA DLI认证讲师侯宇涛主讲，主题为《手把手教你使用开源软件DIGITS实现目标检测》（线上实践课程，无课件）

第六讲，西安交大人工智能与机器人研究所博士陶小语、NVIDIA高级系统架构师易成共同主讲，主题为《智能监控场景下的大规模并行化视频分析方法》

第七讲，清华大学计算机系副教授都志辉、NVIDIA高级系统架构师易成共同主讲，主题为《GPU加速的空间天气预报》

第八讲，希氏异构人工智能首席科学家周斌主讲，主题为《如何利用最强GPU搭建医疗人工智能计算平台——医学图像AI领域最强超级计算机首次解密》

第九讲，NVIDIA中国GPU应用市场总监侯宇涛主讲，主题为《揭秘深度学习》

第十讲，NVIDIA高级系统架构师张景贵主讲，主题为《在你的桌面端通过NVIDIA云端GPU开展深度学习》

第十一讲，百度AI技术生态部高级算法工程师赵鹏昊主讲，主题为《如何借助GPU集群搭建AI训练和推理平台——零算法基础的百度EasyDL定制化图像识别揭秘》

第十二讲，NVIDIA 深度学习解决方案架构师罗晟主讲，主题为《医疗领域的深度学习》

扫描下方二维码关注智东西公开课服务号，回复关键字“NVIDIA”获取往期课件