从 IBM Developer 上获取 Model Asset Exchange 简介

IBM Developer 上的Model Asset eXchange(MAX) 支持开发者在其中查找和使用适用于常见应用领域（如文本、图像、音频和视频处理）的免费、开源且最先进的深度学习模型。精选列表提供了丰富的可部署（现成）模型和可训练（使用前定制）模型。

可部署的深度学习模型

MAX 上的可部署深度学习模型已经过研究、评估、预训练和封装，且已作为 Docker 容器镜像发布到 Docker Hub 上，可随时通过 Kubernetes 部署到本地或云环境中。

每个模型提供的 Docker 镜像都实现了一项微服务，用于公开一个 REST-API，应用程序（或其他服务）通过调用该 API 来使用其中封装的深度学习模型。

在以下示例中，Web 应用程序将调用 Object Detector 微服务并提供图像作为输入。此微服务将处理图像，调用模型，对输出进行后处理，并采用应用程序友好的 JSON 格式向调用者返回结果（“在图像中识别的对象”）。

调用者不需要了解为服务提供支持的深度学习模型、用于实施和运行模型的框架或者原生模型输入或输出，因为微服务会隐藏这些详细信息。

浏览可部署模型

在 Model Asset Exchange 中，可以按领域过滤可部署模型（对音频内容进行分类、对视频内容进行分类和识别图像中的实体），深入了解模型（底层研究、训练数据集和许可信息），试验模型（无需安装任何程序），并浏览部署和定制选项。

Object Detector 是一个热门模型。

一些模型包含了演示如何使用模型的样本应用程序。您可下载源代码（通常作为 Code Pattern 发布，例如此Code Pattern），并以此为基础构建自己应用程序。

可训练的深度学习模型

MAX 上可训练的深度学习模型已经过研究、评估和测试，但未经过预训练。您可使用 IBM Cloud 上的 Watson Machine Learning 服务或 Fabric for Deep Learning 框架来训练这些模型。模型存储库中提供了训练说明。

与可部署模型不同，可训练模型不会作为 Docker 镜像发布。您可在 Watson Machine Learning 服务上使用 REST API 、 Watson Machine Learning CLI 或 Python 库 来部署和发布这些模型。

要了解 Model Asset Exchange 的更多信息，查看“Get started with the Model Asset Exchange（开始使用 Model Asset Exchange）”教程。其中详细介绍了本地环境中的模型微服务部署过程，并概括了如何通过 Web 应用程序使用此服务。