- Add supports for five new models, including two high-precision semantic segmentation models based on VOC dataset and three voice classification models.
- Enforce the transfer learning capabilities for image semantic segmentation, text semantic matching and voice classification on related datasets.
- Add the export function APIs for two kinds of model formats, i.,e, ONNX and PaddleInference.
- Important Open-Source Ecological Cooperation: add the support for BentoML, which is a cloud native framework for serving deployment. Users can easily serve pre-trained models from PaddleHub by following the [Tutorial notebooks](https:// github.com/PaddlePaddle/PaddleHub/tree/release/v2.1/demo/serving/BentoML). Also, see this announcement and Release note from BentoML. (Many thanks to @parano @cqvu @deehrlic for contributing this feature in PaddleHub)
- #7da1230 Fixed the problem that the model cannot resume training if metrics is not recorded.
- #b0b3144 Fixed the problem that the thread did not exit normally when the evaluation process was abnormal.
- #30aace4 Improve the model installation process.
- 发布 2.0版本，全面迁移动态图编程模式，模型开发调试更加方便，finetune接口更加灵活易用。
- 视觉类任务迁移学习能力全面升级，支持图像分类、图像着色、风格迁移等多种任务。
- BERT、ERNIE、RoBERTa等Transformer类模型升级至动态图，支持文本分类、序列标注的Fine-Tune能力。
- 新增词向量模型61个，其中包含中文模型51个，英文模型10个。
- 优化服务化部署Serving能力，支持多卡预测、自动负载均衡，性能大幅度提升。
- 新增自动数据增强能力Auto Augment，能高效地搜索适合数据集的数据增强策略组合。
- BERT、ERNIE、RoBERTa等Transformer类模型升级至动态图，增加文本分类的Fine-Tune能力
- 修复部分已知问题
- 全面迁移动态图编程模式，模型开发调试更加方便，finetune接口更加灵活易用。
- 优化服务化部署Serving能力，支持多卡预测、自动负载均衡，性能大幅度提升。
- 视觉类迁移学习能力全面升级，支持图像分类、图像着色、风格迁移等多种视觉任务。
- 『图像分割』新增轻量级人像分割模型Humanseg，支持移动端实时分割
- 增强文本匹配任务性能，使用EMNLP2019-Sentence-BERT作为文本匹配任务网络，可同时大幅提升准确率和预测速度。配套教程：pointwise文本语义匹配、pairwise文本语义匹配
- 修复文本分类选择F1作为评价指标，运行错误
- 预训练模型丰富，一键完成更多
- Fine-tune API升级，提升灵活性并支持更多任务
-
丰富预训练模型，提升应用性
- 新增VENUS系列视觉预训练模型yolov3_darknet53_venus，faster_rcnn_resnet50_fpn_venus，可大幅度提升图像分类和目标检测任务的Fine-tune效果
- 新增工业级短视频分类模型videotag_tsn_lstm，支持3000类中文标签识别
- 新增轻量级中文OCR模型chinese_ocr_db_rcnn、chinese_text_detection_db，支持一键快速OCR识别
- 新增行人检测、车辆检测、动物识别、Object等工业级模型
-
Fine-tune API升级
- 文本分类任务新增6个预置网络，包括CNN, BOW, LSTM, BiLSTM, DPCNN等
- 使用VisualDL可视化训练评估性能数据
- 修复图像分类在windows下运行错误
- 修复windows下安装PaddleHub缺失config.json文件
-
NLP Module全面升级，提升应用性和灵活性
-
Task predict接口增加高性能预测模式accelerate_mode，性能提升高达90%
-
PaddleHub Module创建流程开放，支持Fine-tune模型转化，全面提升应用性和灵活性
-
PaddleHub Serving优化启动方式，支持更加灵活的参数配置
- 优化pyramidbox_lite_server_mask、pyramidbox_lite_mobile_mask模型的服务化部署性能
- 修复加载module缺少cache目录的问题
-
升级PaddleHub Serving，提升性能和易用性
- 新增文本Embedding服务Bert Service, 轻松获取文本embedding；
- 代码精短，易于使用。服务端/客户端一行命令即可获取文本embedding；
- 更高性能，更高效率。通过Paddle AnalysisPredictor API优化计算图，提升速度减小显存占用
- 随"机"应变，灵活扩展。根据机器资源和实际需求可灵活增加服务端数量，支持多显卡多模型计算任务
- 优化并发方式，多核环境中使用多线程并发提高整体QPS
- 新增文本Embedding服务Bert Service, 轻松获取文本embedding；
-
优化PaddleHub迁移学习组网Task功能，提升易用性
- 增加Hook机制，支持修改Task内置方法
- 增加colorlog，支持日志彩色显示
- 改用save_inference_model接口保存模型，方便模型部署
- 优化predict接口，增加return_result参数，方便用户直接获取预测结果
-
优化PaddleHub Dataset基类，加载自定义数据代码更少、更简单
- 修复利用Transformer类模型完成序列标注任务适配paddle1.6版本的问题
- Windows下兼容性提升为python >= 3.6
- 新增预训练模型ERNIE tiny
- 新增数据集：INEWS、BQ、DRCD、CMRC2018、THUCNEWS，支持ChineseGLUE（CLUE）V0 所有任务
- 修复module与PaddlePaddle版本兼容性问题
- 优化Hub Serving启动过程和模型加载流程，提高服务响应速度
- 新增PaddleHub Serving服务部署
- 新增hub serving命令，支持一键启动Module预测服务部署
- 新增预训练模型：
- roberta_wwm_ext_chinese_L-24_H-1024_A-16
- roberta_wwm_ext_chinese_L-12_H-768_A-12
- bert_wwm_ext_chinese_L-12_H-768_A-12
- bert_wwm_chinese_L-12_H-768_A-12
- AutoDL Finetuner优化使用体验
- 支持通过接口方式回传模型性能
- 可视化效果优化，支持多trail效果显示
- 新增超参优化Auto Fine-tune，实现给定超参搜索空间，PaddleHub自动给出较佳的超参组合
- 支持两种超参优化算法：HAZero和PSHE2
- 支持两种评估方式：FullTrail和PopulationBased
- 新增Fine-tune优化策略ULMFiT，包括以下三种设置
- Slanted triangular learning rates：学习率先线性增加后缓慢降低
- Discriminative fine-tuning：将计算图划分为n段，不同的段设置不同学习率
- Gradual unfreezing：根据计算图的拓扑结构逐层unfreezing
- 新增支持用户自定义PaddleHub配置，包括
- 预训练模型管理服务器地址
- 日志记录级别
- Fine-tune API升级，灵活性与易用性提升
- 新增阅读理解Fine-tune任务和回归Fine-tune任务
- 新增多指标评测
- 优化predict接口
- 可视化工具支持使用tensorboard
- PaddleHub支持修改预训练模型存放路径${HUB_HOME}
- PaddleHub支持离线运行
- 修复python2安装PaddleHub失败问题
- PaddleHub 新增预训练模型ERNIE 2.0
- 升级Reader， 支持自动传送数据给Ernie 1.0/2.0
- 新增数据集GLUE(MRPC、QQP、SST-2、CoLA、QNLI、RTE、MNLI)
- 安装模型时自动选择与paddlepaddle版本适配的模型
-
全新发布PaddleHub官网，易用性全面提升
- 新增网站 https://www.paddlepaddle.org.cn/hub 包含PaddlePaddle生态的预训练模型使用介绍
- 迁移学习Demo接入AI Studio与AI Book,无需安装即可快速体验
-
新增29个预训练模型，覆盖文本、图像、视频三大领域；目前官方提供40个预训练模型
- CV预训练模型：
- 新增图像分类预训练模型11个：SE_ResNeXt, GoogleNet, ShuffleNet等
- 新增目标检测模型Faster-RCNN和YOLOv3
- 新增图像生成模型CycleGAN
- 新增人脸检测模型Pyramidbox
- 新增视频分类模型4个: TSN, TSM, StNet, Non-Local
- NLP预训练模型
- 新增语义模型ELMo
- 新增情感分析模型5个: Senta-BOW, Senta-CNN, Senta-GRNN, , Senta-LSTM, EmoTect
- 新增中文语义相似度分析模型SimNet
- 升级LAC词法分析模型，新增词典干预功能，支持用户自定义分词
- CV预训练模型：
-
Fine-tune API升级，灵活性与性能全面提升
- 支持多卡并行、PyReader多线程IO，Fine-tune速度提升60%
- 简化finetune、evaluate、predict等使用逻辑，提升易用性
- 增加事件回调功能，方便用户快速实现自定义迁移学习任务
- 新增多标签分类Fine-tune任务
正式发布PaddleHub预训练模型管理工具，旨在帮助用户更高效的管理模型并开展迁移学习的工作。
预训练模型管理: 通过hub命令行可完成PaddlePaddle生态的预训练模型下载、搜索、版本管理等功能。
命令行一键使用: 无需代码，通过命令行即可直接使用预训练模型进行预测，快速调研训练模型效果。目前版本支持以下模型：词法分析LAC；情感分析Senta；目标检测SSD；图像分类ResNet, MobileNet, NASNet等。
迁移学习: 提供了基于预训练模型的Fine-tune API，用户通过少量代码即可完成迁移学习，包括BERT/ERNIE文本分类、序列标注、图像分类迁移等。