人说，行，行行出状元。
我们说，项AI技术能力，创造力势不可挡！
4月11日，我们面向广大AI开发者、爱好者发布了“百度大脑有奖征文”活动。参与方式非常简单，在百度AI开发者社区，分享你的评测内容、使用攻略、应用案例，我们将评选优胜奖，送出奖励。
消息一经发布，便得到了社区内开发者们的积极响应。这次就先来跟大家分享三则投稿，一起来看开发者们都是怎样取“百度EasyDL”为己用的吧~
投稿一：哪一种算法更适合你的图像分类应用
作者：郭晶
AutoDLTransfer是百度大脑研发的AutoDL技术之一，结合模型网络结构搜索、迁移学习技术、并针对用户数据进行自动优化的模型，与通用算法相比，训练时间稍长，但更适用于图像的细分类场景。
举例来说，通用算法可适用于区分猫和狗，但如果要区分不同品种的猫，则AutoDL效果会更好。以下为开发者实测过程。
在百度EasyDL上创建模型，添加博美和萨摩耶这两个分类共多张图片进行训练。选用通用算法，top1准确率为98.49%；选择百度AutoDLTransfer算法，top1准确率为87.94%，相比较低。
随后将分类数量提高到多种，包含上万张图像，再次分别测试。采用通用算法的模型准确率是84.25%，而采用百度AutoDL高精度算法的模型准确率是86.88%，这次从准确率来看，高精度算法效果更好。
经过验证后的最终结论是，在区分猫和狗这样差异较大的样本时，通用算法性价比更高。而在区分狗的品种这样有大量分类且样本差异更小的场景下，通用算法“举一反三”的能力就相对较弱了，这时候百度AutoDL高精度算法的效果更出色。
投稿二：使用百度EasyDL进行情感分析
作者：张振
“使用百度EasyDL定制化训练及服务平台有一段时间了，越来越能体会到EasyDL的易用性。开发者或者用户只需要提交对应格式的训练文件，即可开始深度学习之旅。”
我的专业是自然语言处理中的情感分析，用的语料主要是电商评价文本数据，下面简单介绍一下情感分析任务。
情感分析（SentimentAnalysis，简称SA）旨在通过自动的分析某种产品/服务评论的文本内容，发现消费持者对该产品/服务的态度和意见，对文本情感倾向，具体如褒/贬，好/坏，支/反对等做出定性判断，并对其中的情感倾向性的强度做出分析。
使用EasyDL的训练结果和我之前的情感分类结果对比发现：我自己之前使用Word2vec和Text-CNN结合所实现的情感分类准确度达到了99.28%，但是花费的时间比较巨大，耗费的资源也较大。于是我又将相同的数据放到EasyDL上进行训练，训练的情感分类模型的准确率在88%，成绩不错，可以满足工业需求。
在具有文本标注集的基础上，在EasyDL平台上按照提示步骤即可实现通过API接口上传文本文件进行模型训练。模型训练好了之后，通过模型性能测试，就可以申请上线，填写完表格即可制作文本情感分析API。
在第一次的申请的时候，后台的客服小姐姐会打电话给你进行确认，我觉得这是使用EasyDL的一个小彩蛋~
希望后面在文本分类上加上参数调优的选项，能让开发者进一步根据数据进行调参。我相信通过以后的版本迭代，百度工程师们能将模型的准确率提升一个层次。
投稿三：基于百度EasyDL识别海洋鱼类
作者：范伟亚
鱼类识别对渔业资源的开发利用有着重要的意义。针对海底环境恶劣、拍摄环境亮度低、场景模糊的实际情况导致海底观测视频品质差，视频中的鱼类识别难的问题以及现有鱼类识别方法存在的鱼类标注数据集过少导致训练的深度模型准确度不高的问题。
本文提出了一种基于百度EasyDL定制化图像识别平台的海底鱼类识别方法。
首先使用伽马校正法和暗通道先验算法对图片数据进行预处理，提高图片亮度和清晰度：
接着利用百度EasyDL定制化图像识别平台，构建初鱼类识别模型：
再使用数据增强等方法对模型进行调优，提高模型识别能力：
从实验结果可以看出，本文所提方法可以以高达99.6%的准确率识别海底鱼类的图片，验证了方法的有效性。
好了，今天的投稿案例分享就到这里。当然，除了今天集中展示的百度EasyDL定制化图像识别平台，还有语音技术、图像技术、文字识别、人脸与人体识别等许多AI新能力等你来深挖体验。
如果你正在使用或者打算使用百度AI技术能力，欢迎分享你的评测内容、使用攻略、应用案例，我们将评选优胜奖，送出奖励！