inception-v3模型：google图像识别的网络模型1. 在线下载模型代码：import tensorflow as tf
import os
import tarfile
import requests
# inception-v3 是googlenet的第三个版本
#inception模型下载地址
inception_pretrain_model_url = '
转载
2024-09-29 20:03:11
113阅读
0 背景在之前的文章中，我们完整地介绍了如何安装tensorflow服务，并成功通过grpc接口进行调用。实际使用过程中，可能需要同时提供多个不同类型的模型，以及模型的不同版本，因此本文对该方法的实现做一介绍系列文章目录（一）TensorFlow Serving系列之安装及调用方法（二）TensorFlow Serving系列之导出自己的训练模型（三）TensorFlow Serving系列之客户
转载
2024-09-29 17:02:59
56阅读
文心一言TensorFlowTTS是一个由TensorSpeech团队开发的框架，它提供了多种最新的TTS（Text-To-Speech，文本到语音）模型，如Tacotron2、FastSpeech、MelGAN和Whisper等，并且还在不断更新新的算法。以下是关于TensorFlowTTS工具箱的一些关键特点和功能：模型多样性：TensorFlowTTS实现了多款流行和前沿的TTS模型，这些模
转载
2024-06-11 13:25:00
831阅读
TensorFlow实战———模型持久化为了让训练结果可以复用，需要将训练得到的神经网络模型持久化。持久化代码实现TensorFlow提供了一个非常简单的API来保存和还原一个神经网络模型，这个API就是tf.train.Saver类。 ““python
import tensorflow as tf
v1 = tf.Variable(tf.constant(1.0, shape=[1]
Tensorflow2.0相比于以往版本，有着极大的区别；最明显的区别可以用三字词来概括：更简单，更易用，更强大。接下来让我们一起见证下不一样的地方吧！一、使用tf.data加载数据 使用tf.data创建的输入管道读取训练数据；支持从内存（Numpy）方便地输入数据；二、使用tf.keras构建，训练和验证模型，或使用Premade来验证模型
【代码】keras模型转tensorflow lite。
原创
2023-06-03 07:18:02
101阅读
是对安全策略形式化的第一个数学模型，是一个状态机模型，用状态变量表示系统的安全状态，用状态转换规则来描述系统的变化过程。一、模型的基本元素模型定义了如下的集合：S={s1,s2,…,sn} 主体的集合，主体：用户或代表用户的进程，能使信息流动的实体。O={o1,o2,…,om} 客体的集合，客体：文件、程序、存贮器段等。（主体也看作客体SO）C={c1,c2,…,cq} 主体或
做东西，最重要的就是动手了，所以这篇文章动手跑了一个fcn32s和fcn8s以及deeplab v3+的例子，这个例子的数据集选用自动驾驶相关竞赛的kitti数据集， FCN8s在训练过程中用tensorflow2.0自带的评估能达到91%精确率, deeplab v3+能达到97%的准确率。 这篇文章适合入门级选手，在文章中不再讲述fcn的结构，直接百度就可以搜到。 文章使用的是te
TensorFlow的安装之路0 安装前须知1 安装Anaconda1.1 什么是虚拟环境？1.2 安装Anaconda具体步骤1.3 添加环境变量（系统变量）1.4 修改Conda库和pip库的安装源2 创建虚拟环境3 安装CUDA3.1 查看显卡驱动信息3.2 CUDA版本对显卡驱动的要求3.3 安装CUDA具体步骤3.4 CUDA环境变量的添加3.5 查看CUDA的版本4 安装cuDNN4
转载
2024-10-29 10:33:29
293阅读
在这篇博文中，将介绍如何使用TF Lite model maker库创建TensorFlow Lite模型。我们将在自定义数据集上微调一个预训练的图像分类模型，并进一步探索Tensorflow Lite支持的不同类型的模型优化技术，并将其导出到TF Lite模型。将创建的TF Lite模型与通过Tensorflow Lite 转换的模型进行详细的性能比较，最后将模型部署到web应用中。1. Ten
转载
2024-04-12 16:05:47
185阅读
前几天Google的IO大会上发布的ML Kit，ML Kit为端上部署深度学习模型提供了一套完整的解决方案，本地运行、云端都支持。里面本地部署用到的就是Tensorflow lite。Tensorflow Lite是在Google去年IO大会上发表的，目前Tensorflow Lite也还在不断的完善迭代中。Tensorflow Lite在Android和iOS上部署官网有比较详细的介绍已经对应
转载
2024-03-14 20:44:25
357阅读
1评论
本文翻译自Medium上的文章：Step by Step TensorFlow Object Detection API Tutorial — Part 2: Converting Existing Dataset to TFRecord，原文地址：https://medium.com/@WuStangDan/step-by-step-tensorflow-object-detection-api
前面我们主要是使用tensorflow的原生代码来模拟搭建神经网络，其实就是定义出神经网络中的各个参数，然后模拟前向传播和参数更新过程来训练模型，最终达到我们想要的效果；这样做当然是可以的，并且符合我们脑中的想象过程，但是有一个弊端就是编码复杂，并且随着神经网络层数的增加，编码的工作量也大幅增长，不是我们想要的结果，并且大多人在TensorFlow中也不是这样做的，TensorFlow为我们提供了
转载
2024-05-18 12:36:50
68阅读
如何重新训练Tensorflow Inception模型在Ubuntu上添加新类
感谢谷歌，我们现在可以下载V3的预先训练模型，并设置我们的图像分类器。我们不必花费大量的时间从头开始训练这个模型。预先训练的模型可以分类1000个不同的对象，我们也可以添加更多的类或类别。重新训练Tensorflow初始模型花费的时间比从零开始训练时间少得多。我们之所以不从头开始培训新车型，是因为在较低的硬件规
转载
2024-05-20 18:05:25
56阅读
用浏览器训练Tensorflow.js模型的18个技巧（上）8.随机你的输入！训练神经网络的一个常见建议是通过在每个时期开始时对输入进行混洗来随机化训练样本。我们可以使用tf.utils.shuffle来实现这个目的：/** Shuffles the array using Fisher-Yates algorithm. */
export function shuffle(array: any[
转载
2024-06-10 17:54:25
92阅读
使用object detection训练并识别自己的模型1.安装tensorflow(version>=1.4.0)2.部署tensorflow models - 在这里下载 - 解压并安装 - 解压后重命名为models复制到tensorflow/目录下 - 在linux下 - 进入tensorflow/models/research/目录，运行protoc ob
转载
2024-07-04 11:04:45
249阅读
TensorFlow Lite（移动端部署模型）
原创
2021-08-02 16:05:08
449阅读
本文主要针对pb文件，用Android TensorFlow API实现目标检测和识别，不需要NDK和CMake混合编程 编译c/c++文件只需要在Android项目模块的Module的build.gradle输入// Tensorflow
compile 'org.tensorflow:tensorflow-android:1.13.1'由于很多处都可以查阅源代码，便不附加项目工程，只是
转载
2024-07-09 22:16:40
51阅读
TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。TensorFlow可被用于语音识别或图像识别等多项机器深度学习领
转载
2024-05-27 15:08:22
98阅读
Tensorflowlite 部署到 arm开发板一 先在本机上操作1 下载TensorFlow下载依赖2 准备ARM的交叉编译环境2.1 下载安装包2.2 解压安装包2.3 配置环境变量2.4 查看编译器版本3 交叉编译生成静态库4 官方Demo ：label_image的编译4.1 整理头文件4.2 cmake ,make 进行编译二 在开发板上操作 一 先在本机上操作本机：Ubuntu18
转载
2023-12-20 09:59:02
234阅读
