與此同時，英偉達還致力于軟件的布局，如遷移學習，這是他們近年來關注的焦點。根據英偉達，的說法，這項技術只是解決當前人工智能“痛點”的一種方法。

從相關報道可以看出，人工智能已經走向各行各業。同時，我們也意識到從零開始開發一個AI應用需要經過訓練的過程才能得到一個模型和推理。但是，因為現在的應用很多，如果所有的開發者和初創企業都需要從頭創建一個模型，不僅費時費力，而且成本高昂。這給了“遷移學習”一個機會。

遷移學習是指將已在相關任務中訓練過的模型的一部分復用到新模型中，從而大大減少對大量計算資源的需求。具體來說，我們可以從現有的神經網絡中提取學習到的特征，并通過從現有的神經網絡中轉移權重來轉移這些學習到的特征，英偉達轉移學習工具包(TLT)就是其中的代表。

英偉達再次站在人工智能的尖端

據介紹，英偉達遷移學習工具包(一個基于Python的工具包)提供了大量預先訓練好的模型和一系列工具，使流行的網絡架構適應開發者自己的數據，可以訓練、調整、裁剪和導出模型進行部署。

2018年第一代工具包發布的時候，英偉達也說這個程序有很多預先訓練和優化的特定領域DNN，打包是提前的；有計算機視覺中物體分類和檢測的應用實例；在異構多圖形處理器環境中，很容易進行模型自適應和再訓練。您可以輕松修改配置文件，添加新的類別和功能，并壓縮模型大小。ModelExportAPI可以在英偉達deepstreamsdk  3.0上輕松部署模型，用于智能視頻分析(IVA)應用；ModelExportAPI可以將模型部署到Clara平臺進行醫學影像相關應用。

自第一代產品發布以來，英偉達TLT一直受到開發商的熱烈歡迎。該公司進行了持續的投資，最近推出了一些預培訓模型和可直接用于生產的TransferLearningToolkit(TLT)3.0開發人員測試版，以及DeepStreamSDK5.1。據報道，該版本包括一系列新的預培訓模型。這些模型具有支持會話式AI應用的創新功能，可以提供更強大的解決方案，加速開發人員從培訓到部署的全過程。

英偉達表示，預培訓模式和TLT3.0(開發人員測試版)包括以下主要亮點：

1.新的視覺AI預訓練模型：車牌檢測識別、心率監測、手勢識別、視線估計、情感識別、人臉檢測、面部特征點估計；

2.通過自動語音識別(ASR)和自然語言處理(NLP)的預訓練模型支持對話式人工智能用例

3.選擇流行的網絡架構進行培訓，如高效網、YoloV4、UNET；

4;改進的PeopleNet模型可以檢測困難的場景，例如坐著的人和旋轉/扭曲的物體

5;用于驅動兼容容器初始化的TLT啟動器

6;使用第三代tensor內核支持NVIDIAAmpereGPU，以提高性能

“有了TLT，您可以使用自己的數據，通過英偉達為常見人工智能任務開發的多用途生產級模型，或者結合ResNet、VGG、FasterRCNN、RetinaNet和YOLOv3/v4等100多種神經網絡架構，對特定用例的模型進行微調。所有型號均可從NGC購買。”英偉達強調。

人工智能行業專家吳恩達，教授在NIPS2016講座上說：“在監督學習之后，遷移學習將引領下一波機器學習技術的商業化。”由此可見，英偉達又一次走上了AI的風口浪尖。