zhongyunuestc/paddlehub

A toolkit for managing pretrained models of PaddlePaddle and helping user getting started with transfer learning more efficiently. （『飞桨』预训练模型管理和迁移学习工具 ）

PaddleHub

PaddleHub是基于PaddlePaddle生态下的预训练模型管理和迁移学习工具，可以结合预训练模型更便捷地开展迁移学习工作。通过PaddleHub，您可以：

• 便捷地获取PaddlePaddle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。
  • 更多详情可查看官网：http://hub.paddlepaddle.org.cn
• 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，具体Demo可参考以下链接：
  • 文本分类
  • 序列标注
  • 多标签分类
  • 图像分类
  • 检索式问答任务
• PaddleHub引入『模型即软件』的设计理念，支持通过Python API或者命令行工具，一键完成预训练模型地预测，更方便的应用PaddlePaddle模型库。
  • PaddleHub命令行工具介绍

环境依赖

• Python==2.7 or Python>=3.5
• PaddlePaddle>=1.4.0

除上述依赖外，PaddleHub的预训练模型和预置数据集需要连接服务端进行下载，请确保机器可以正常访问网络

答疑

当安装或者使用遇到问题时，可以通过FAQ查找解决方案。 如果在FAQ中没有找到解决方案，欢迎您将问题和bug报告以Github Issues的形式提交给我们，我们会第一时间进行跟进

安装

pip安装方式如下：

$ pip install paddlehub

快速体验

安装成功后，执行下面的命令，可以快速体验PaddleHub无需代码、一键预测的命令行功能：

示例一

使用词法分析模型LAC进行分词

$ 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']}]

示例二

使用情感分析模型Senta对句子进行情感预测

$ hub run senta_bilstm --input_text "今天是个好日子"
[{'text': '今天是个好日子', 'sentiment_label': 2, 'sentiment_key': 'positive', 'positive_probs': 0.6065, 'negative_probs': 0.3935}]

示例三

使用目标检测模型 SSD/YOLO v3/Faster RCNN 对图片进行目标检测

$ wget --no-check-certificate https://paddlehub.bj.bcebos.com/resources/test_object_detection.jpg
$ hub run ssd_mobilenet_v1_pascal --input_path test_object_detection.jpg
$ hub run yolov3_coco2017 --input_path test_object_detection.jpg
$ hub run faster_rcnn_coco2017 --input_path test_object_detection.jpg

除了上述三类模型外，PaddleHub还发布了语言模型、语义模型、图像分类、生成模型、视频分类等业界主流模型，更多PaddleHub已经发布的模型，请前往 http://hub.paddlepaddle.org.cn 查看

教程

API

迁移学习

自定义迁移任务

在线体验

我们在AI Studio和AIBook上提供了IPython NoteBook形式的demo，您可以直接在平台上在线体验，链接如下：

• ERNIE文本分类:
  • AI Studio
  • AIBook
• ERNIE序列标注:
  • AI Studio
  • AIBook
• ELMo文本分类:
  • AI Studio
  • AIBook
• senta情感分类:
  • AI Studio
  • AIBook
• 图像分类:
  • AI Studio
  • AIBook

版权和许可证

PaddleHub由Apache-2.0 license提供