简介

NanoNets是一个简单方便的基于云端实现的迁移学习工具，其内部包含了一组已经实现好的预训练模型，每个模型有数百万个训练好的参数。用户可以自己上传或通过网络搜索得到数据，NanoNets将自动根据待解问题选择最佳的预训练模型，并根据该模型建立一个NanoNets，并将之适配到用户的数据。NanoNets和预训练模型之间的关系结构如下所示。

什么是 NanoNets？

NanoNets是一种Web服务，可以轻松使用深度学习。您可以使用自己的数据构建模型以实现高精度，并使用我们的API在您的应用程序中集成相同的API。

为什么要使用NanoNets？

NanoNets使您可以轻松使用Deep Learning解决AI问题。我们解决了4个关键问题：
1.减少了构建深度学习模型所需的数据量。
2.在培训模型后，我们负责培训模型和运行时的托管模型。
3.通过在模型之间共享基础架构，显着降低了运行深度学习模型的成本。
4.使任何人都可以轻松构建深度学习，从而使技术更易于访问。

模型能达到多高的准确率？

模型的准确性取决于以下因素：
1.数据量
2.问题中的类/标签/对象的数量
3.问题的复杂性（类彼此之间有多么不同）
4.训练数据和测试数据相互接近
在添加数据后，该平台提供了一个界面，以提高模型的准确性。

NanoNets使用什么技术？

使用Deep Neural Networks。在后端的堆栈使用Golang，Python，Cassandra，Mysql，Tensorflow，Caffe，Torch，Keras，Theano，Elasticsearch和Docker，所有这些都托管在AWS上。

让迁移学习变得简单

该服务中包含一系列预训练的模型，其已针对数百万个参数进行过训练。只需要上传自己的数据（或在网络上搜索数据），该服务即可针对具体任务选择最适合的模型，在现有预训练模型的基础上建立新的NanoNet，将传入的数据输入到NanoNet中进行处理。

主界面

需要科学上网！


可以看到该平台提供了图片分类、目标检测、图像相似度、图像质量四种服务，我测试了前两种。图片分类，自己上传的数据每一类不能低于25张；目标检测，自己上传的数据每一类不能低于50张，上传数据之后，需要在页面中完成图片中目标的标注。


上图是图片分类的流程设置完标签，按步骤上传完图片就可以开始训练了，关于模型是这个平台自动选择的，训练完成之后，会生成一个API Key，可以用 Shell, Ruby, Golang, Java, C# 和Python语言调用，来实现分类任务，目标检测同样会生成API，下图是目标检测流程。
整体流程

上传数据（这里我训练一个狗的检测器，用的Cats vs Dogs数据集中的图片）

打标签之前确认自己打标签还是购买该平台的服务

打标签界面

训练结束之后的各类曲线


进行测试

生成的API

使用API进行预测

测试结果会以json格式返回。

关于价格

如果仅仅是做自己的小项目的话一个月1000次的用量应该够了，但是想做更大的项目，还是需要购买服务或者探索该平台的背后运作机制来自己实现。

有关该平台API使用的更详细文档 ：https://app.nanonets.com/documentation