Kaggle新功能 预训练Models页面

Kaggle Models

Kaggle推出全新的Models页面，集成了数百个预训练模型，涵盖图像分类、物体检测、图像特征提取等多种应用场景，为机器学习领域的开发者提供了一个高效、方便的模型托管和部署平台。

https://www.kaggle.com/models

模型筛选逻辑

据这些预训练模型不仅分类明确，还按照训练数据进行了划分，包括文本、语音、图像、视频、表格、类型和多模态。

模型还可以按照深度学习框架划分，包括TensorFlow2和Pytorch。其中，TensorFlow2的模型占据了大多数。

为方便开发者选择合适的模型，该页面还提供了按照版权划分、是否可以微调、模型权重大小等多个维度的筛选。每个模型都有详细的描述和性能指标，用户可以根据自己的需求进行选择。

模型使用方法

模型封装为预训练模型的方式，让开发者可以轻松地加载已经训练好的模型文件到notebook中，从而避免了复杂的模型训练过程和数据准备。

m = tf.keras.Sequential([
    hub.KerasLayer("https://kaggle.com/models/google/resnet-v2/frameworks/TensorFlow2/variations/101-classification/versions/2")
])
m.build([None, 224, 224, 3])  # Batch input shape.

部分模型列表

文本分类

• toxicity: Toxicity classifier trained on civil comments dataset.
• spam-detection: This is a model from the Spam Detection tutorial
• mobilebert: MobileBert-QAT is a language model that trained for SQuAD task

图像分类

• resnet_v2: Imagenet (ILSVRC-2012-CLS) classification with ResNet V2
• mobilenet_v2: SSD-based object detection model trained on Open Images V4 with ImageNet pre-trained MobileNet V2 as image feature extractor

Models 功能展望

笔者认为这个新功能虽然提供了很多通用的预训练模型，但是由于大部分都是TensorFlow相关的模型，这可能确实是谷歌推广自己框架的尝试。

为每个比赛包含一些优胜方案的模型是一个更好的想法。通过这种方式，Kaggle可以帮助用户更好地了解比赛中获胜的模型是如何训练和构建的，并为用户提供更多的学习资源和实践经验。

Kaggle介绍

Kaggle是一个旨在促进数据科学和机器学习发展的开放性社区，已经成为全球数据科学领域的知名品牌。

在过去的几年里，Kaggle一直致力于为数据科学家和机器学习从业者提供更便捷、高效的工具和资源。

而这一次，Kaggle推出的Models页面，则为开发者提供了一个更加便捷、快速的模型托管和部署平台。

学习交流群已成立