得益于公司自成立以来一直专注于GPU以及在CUDA生态系统中持续十年的坚持，NVIDIA终于在最近几年达到顶峰，这主要是由于AI时代的爆发。
尤其是在人工智能培训市场上，到目前为止，英伟达的GPU尚未遇到任何可能威胁到它们的挑战者。
但是他们并没有就此止步。
收购Mellanox之后，Nvidia将目光投向Arm，希望扩大公司的目标市场。
同时，NVIDIA还内部投资于软件的布局，例如转移学习，这是他们近年来关注的焦点。
根据Nvidia的说法，这项技术正是他们为当前的“痛点”做出的解决方案。
人工智能。
从相关报告中我们可以看到，人工智能已经进入了各行各业。
同时，我们还意识到，从头开始开发AI应用程序需要一个训练过程，以得出模型和推理。
但是，由于当今有许多应用程序，如果所有开发人员和初创公司都需要从头开始创建模型，那么它不仅会费时，费力，而且成本很高。
这使得可以进行“迁移学习”。
寻找机会。
所谓的迁移学习是指将经过相关任务训练的部分模型重用为新模型，从而大大减少了对大量计算资源的需求。
具体而言，可以从现有的神经网络中提取学习的特征，并通过传递来自现有的神经网络的权重来传递这些学习的特征。
英伟达的TransferLearningToolkit（Transfer Learning Toolkit，TLT）就是其中之一。
。
据报道，NVIDIA Transfer Learning Toolkit（基于Python的工具包提供了大量的预训练模型和一系列工具，可将流行的网络体系结构适应开发人员自己的数据，并可进行训练，调整，修整和调整）。
导出模型以进行部署。
当第一代工具包于2018年发布时，NVIDIA还表示该解决方案具有许多预先训练和优化的特定于领域的DNN，这些DNN预先打包在其中;其中有一个计算机的对象分类应用示例视觉上的检测和检测；在异构的多GPU环境中，易于执行ModelAdaptation，易于重新训练；您可以轻松修改配置文件，添加新类别，新功能并压缩模型大小；可以轻松部署ModelExportAPI在NVIDIA用于智能视频分析（IVA）应用程序的DeepStreamSDK3.0上，ModelExportAPI可以在医疗保健相关应用程序的Clara平台上部署该模型。
第一代产品NVIDIA的TLT受到了开发人员的热烈欢迎。
该公司还进行了固定投资，并且最近推出了许多可以直接用于生产的经过预先训练的模型，以及转移学习工具包（TransferLearningToolkit，TLT）3.0开发人员beta，以及DeepStreamSDK5.1。
据报道，这版本包含一系列新的预训练模型。
这些模型具有支持对话式AI应用程序的创新功能，并可以提供更强大的解决方案，以加快开发人员从培训到部署的整个过程。
Nvidia表示，预训练模型和TLT3.0（开发者测试版）包括以下主要亮点：1.新的视觉AI预训练模型：车牌检测和识别，心率监测，手势识别，视力估计，情绪识别，面部检测，面部特征点估计； 2.通过自动语音识别（ASR）和自然语言处理（NLP）的预训练模型支持对话式AI用例。
3.选择流行的网络架构进行训练，例如EfficientNet，YoloV4和UNET； 4.改进的PeopleNet模型可以检测困难的场景，例如坐着的人和旋转/变形的物体5； TLT启动器6，用于促进兼容的容器初始化；通过第三代张量内核支持NVIDIA Ampere GPU，以提高性能。
“感谢TLT，您可以使用针对常见AI任务开发的NVIDIA多用途生产级别模型，也可以使用100多种神经网络架构组合（例如ResNet，VGG，FasterRCNN，RetinaNet和YOLOv3 / v4）以及使用您自己的数据微调特定用例的模型。
所有模型都可以从NGC获得”。
英伟达强调。
人工智能行业专家吴恩达教授在NIPS2016演讲中说：“在监督学习之后，转移学习将引领机器学习技术的下一波商业化。
“由此，我们可以看到Nvidia再次走上了AI的舞台。
