提交 0a91acd9 编写于 作者: W wuzewu

update README

上级 e62e29a7
# PaddleHub
PaddleHub旨在为PaddlePaddle提供一个简明易用的预训练模型管理框架。
使用PaddleHub,你可以:
1. 通过统一的方式,快速便捷的获取PaddlePaddle发布的预训练模型
2. 利用PaddleHub提供的接口,对预训练模型进行Transfer learning
3. 以命令行或者python代码调用的方式,使用预训练模型进行预测
[![Build Status](https://travis-ci.org/PaddlePaddle/PaddleHub.svg?branch=develop)](https://travis-ci.org/PaddlePaddle/PaddleHub)
[![License](https://img.shields.io/badge/license-Apache%202-blue.svg)](LICENSE)
[![Version](https://img.shields.io/github/release/PaddlePaddle/PaddleHub.svg)](https://github.com/PaddlePaddle/PaddleHub/releases)
## 安装
除此之外,我们还提供了预训练模型的本地管理机制(类似于pip),用户可以通过命令行来管理本地的预训练模型
![图片](http://agroup-bos.cdn.bcebos.com/89dc20492e986c262d8e3957e516a8c509413ccc)
想了解PaddleHub已经发布的模型,请查看
# 安装
paddle hub直接通过pip进行安装(python3以上),使用如下命令来安装paddle hub
```
pip install paddlehub
pip install paddle_hub
```
## 答疑
欢迎您将问题和bug报告以[Github Issues](https://github.com/PaddlePaddle/PaddleHub/issues)的形式提交
## 版权和许可证
PaddleHub由[Apache-2.0 license](LICENSE)提供
# 快速体验
通过下面的命令,来体验下paddle hub的魅力
```
#使用lac进行分词
hub run lac --input_text "今天是个好日子"
#使用senta进行情感分析
hub run senta --input_text "今天是个好日子"
```
# 深入了解Paddle Hub
* 命令行功能
* Transfer Learning
* API
# 命令行
Paddle Hub为Module的管理和使用提供了命令行工具,目前命令行支持以下9个命令:
* install
* uninstall
* show
* download
* search
* list
* run
* help
* version
## install
install命令用于将
## uninstall
## show
## download
## search
## list
## run
## help
## version
# 已发布模型列表
|方向 | 模型 | 描述 |
|---|---|---|
|NLP | ERNIE | |
|NLP | BERT | |
|NLP | LAC | 中文词性分析工具,支持中文分词、词性标注、命名实体识别等三个任务,可以直接用命令行预测 |
|NLP | SENTA | 中文情感分析模型,将结果分为三个级别,2分表示正面评价,1分表示中性评价,0分表示负面评价,支持命令行预测 |
|CV | ResNet | 使用ImageNet-2012数据集训练的分类模型,提供了classification和feature_map两个签名,其中classification签名支持直接通过命令行预测,feature_map签名用于finetune |
|CV | MobileNet | 使用ImageNet-2012数据集训练的分类模型,提供了classification和feature_map两个签名,其中classification签名支持直接通过命令行预测,feature_map签名用于finetune |
|CV | SSD | 在PASCAL VOC数据集上训练的SSD模型,可以用于进行20个类别目标的检测和定位,支持命令行预测 |
# Transfer Learning
Transfer Learning是xxxx
更多关于Transfer Learning的知识,请参考
## CV教程
以猫狗分类为例子,我们可以快速的使用一个通过ImageNet训练过的ResNet进行finetune
```python
import paddle.fluid as fluid
import paddle_hub as hub
resnet = hub.Module(key = "resnet_v2_50_imagenet")
input_dict, output_dict, program = resnet.context(sign_name = "feature_map")
img_mode, img_size, img_order = resnet.data_config()
reader = hub.ImageClassifierReader(mode = img_mode, shape = img_shape, order = img_order, dataset = hub.dataset.flowers(), batch_size = 32)
with fluid.program_guard(program):
img = input_dict["image"]
feature_map = output_dict["feature_map"]
label = fluid.layers.data(name = "label", shape = [1], dtype = "int64")
task = hub.DNNClassifier(input = feature_map, hidden_units = [10], acts = ["softmax"])
finetune_config = {"epochs" : 100}
hub.finetune_and_eval(task = task, reader = reader.train(), config = finetune_config)
```
## NLP教程
```python
import paddle.fluid as fluid
import paddle_hub as hub
resnet = hub.Module(key = "resnet_v2_50_imagenet")
input_dict, output_dict, program = resnet.context(sign_name = "feature_map")
img_mode, img_size, img_order = resnet.data_config()
reader = hub.ImageClassifierReader(mode = img_mode, shape = img_shape, order = img_order, dataset = hub.dataset.flowers(), batch_size = 32)
with fluid.program_guard(program):
img = input_dict["image"]
feature_map = output_dict["feature_map"]
label = fluid.layers.data(name = "label", shape = [1], dtype = "int64")
task = hub.DNNClassifier(input = feature_map, hidden_units = [10], acts = ["softmax"])
finetune_config = {"epochs" : 100}
hub.finetune_and_eval(task = task, reader = reader.train(), config = finetune_config)
```
Markdown is supported
0% .
You are about to add 0 people to the discussion. Proceed with caution.
先完成此消息的编辑!
想要评论请 注册