总体思路是先安装CUDA和cuDNN，再安装Anaconda，构建tensorflow-gpu 2.0环境，安装Pycharm和Keras。CUDA和cuDNN的下载地址：CUDA链接：https://pan.baidu.com/s/1dIXw--W4oqOMP0a1GS5UaA 提取码：la6m cuDNN链接：https://pan.baidu.com/s/10kEuuP
环境win10，jupyter notebook，python3.7，tensorflow2，cpusklearn datasets数据集先用一个sklearn自带的数据集做一个简单的人脸识别测试。from sklearn import datasets
from matplotlib import pyplot as plt
import tensorflow.keras as keras
i
Suaro在issue中并没有附上这部分信息。这种情况下我会默认TA使用的环境信息与我在README文件中的一致。当然，反过来考虑，当代码作者的环境与README不同时，也需要在issue回复中明示。
转载
2021-07-15 14:13:31
755阅读
今早在GitHub上收到一则issue，发信人为Suaro。
转载
2021-07-16 13:57:46
906阅读
参照博主dy_guox的帖子： 搭建环境，但是原贴是原博主一年多之前所写，我的搭建过程中有一些弯路。 把更新的搭建过程记录下来。 因为我的旧电脑是win7系统，无法安装最新版的cuda,因此选择和原博主一样的版本，版本虽然旧但不影响学习。系统配置Software versionsOSWindows, LinuxPython3.8TensorFlow2.2.0CUDA Toolkit10.1CuDN
数据管道Dataset1.Dataset类相关操作1.1 Dataset类创建数据集1.2 Dataset类数据转换 知识树 1.Dataset类相关操作1.1 Dataset类创建数据集tf.data.Dataset 类创建数据集，对数据集实例化。 最常用的如：tf.data.Dataset.from_tensors() ：创建Dataset对象， 合并输入并返回具有单个元素的数据集。tf.
在上一篇文章中，我们介绍了高效的数据流水线模块 tf.data 的流水线并行化加速。本篇文章我们将介绍 TensorFlow 另一个数据处理的利器——TFRecord。TFRecord ：TensorFlow 数据集存储格式TFRecord 是 TensorFlow 中的数据集存储格式。当我们将数据集整理成 TFRecord 格式后，TensorFlow 就可以高效地读取和处理这些数据集，从而帮助
一、《深度学习之Tensorflow入门原理与进阶实战》1、第三章import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
trainx=np.linspace(-1,1,100)
trainy=2*trainx+np.random.randn(*trainx.shape)*0.3
#y=2x with
Tensorflow2自定义Layers之__init__,build和call详解闲言碎语：--init--,build和call总结 参考官方链接：https://tensorflow.google.cn/tutorials/customization/custom_layers闲言碎语：如果想要自定义自己的Layer，那么使用tf.keras.Layer 来创建自己的类是必不可少的。但是笔
菜鸟学TensorFlow 2.0：TensorFlow2.0基础操作演示1. Tensor数据类型2. 创建Tensor3. Tensor索引和切片4. Tensor维度变换5. Broadcast6. 数学运算7. 手写数字识别流程8. TensorFlow实现神经网络参考资料 1. Tensor数据类型TensorFlow没有那么神秘，为了适应自动求导和GPU运算，它应运而生。为了契合nu
神经网络学习小记录62——Tensorflow2 利用efficientnet系列模型搭建efficientnet-yolov3目标检测平台学习前言什么是EfficientNet模型源码下载EfficientNet模型的实现思路1、EfficientNet模型的特点2、EfficientNet网络的结构EfficientNet的代码构建1、模型代码的构建2、Yolov3上的应用 学习前言重新训练
前文：三分钟快速上手TensorFlow 2.0 （中）——常用模块和模型的部署TensorFlow 模型导出 使用 SavedModel 完整导出模型不仅包含参数的权值，还包含计算的流程（即计算图）tf.saved_model.save(model, "保存的目标文件夹名称")将模型导出为 SavedModelmodel = tf.saved_model.load("保存的目标文件夹名
前言：本专栏在保证内容完整性的基础上，力求简洁，旨在让初学者能够更快地、高效地入门TensorFlow2 深度学习框架。 Github项目地址：https://github.com/Keyird/TensorFlow2-for-beginner经过前面的两篇文章，我们学会了如何去搭建简单和复杂的网络模型，网络搭建好意味着成功了一半，下面就是模型的装配、训练和评估环节！ 文章目录一、模型的装配二、模
1. 前言：自从Google发布了TensorFlow2.0后，个人觉得与TensorFlow1相比是一个重大的突破，它不仅仅删除了许多旧的库并进行整合，还促进了Keras在搭建模型中的使用，通过高级API Keras让模型构建和部署变得简单。 我们在用TensorFlow2.0创建模型时，可以使用Keras函数API定义模型或者顺序API定义模型。本文将使用Keras函数API来定义CNN模型，
1 配置环境首先确保已经配置好tensorflow2和cuda、cudnn环境，不要下载错。配置的教程已经有很多，自行查阅2 安装APItf2 object detection 的安装参考此博客，TensorFlow 2 Object Detection API 物体检测教程 虽然这是linux系统下的，但是操作可以类比。简单地说只有三步 1.下载model-master并解压 其中tensorf
机器学习问题不仅是一个科学问题，更是一个工程问题。大多数年轻的数据科学家都希望将大部分时间花在构建完美的机器学习模型上，但是企业不仅需要训练一个完美的模型，同时也需要将其部署，向用户提供便捷的服务。如下图所示，机器学习系统由机器学习代只包含一小部分，而在中间的小黑匣子周围，所需要的基础设施庞大而复杂。因此，在实际应用中，一个优秀的程序员不仅要学会构建完美的机器学习模型上，同时还需要将其部署向用户提
主要将模型的搭建移植到keras，参照上一篇博客。新的差异主要如下：1. 之前我们可以初始化一个tensor,可以通过tf.nn,或者tf.layers模块，有些模块中出现了重复的片段，因此新的版本保留的前提下， 引入了一个新的tensorflow.keras.layers全新的模块。tf.keras.layers.Dense（units,activate,use_bais,input
对于我近几天使用TensorFlow2出的问题做个总结：1，是环境配置问题，我使用的是NVIDIA物理加速，就是GPU。TensorFlow-gpu 2.0.0，CUDA10.0，cudnn7.6.5。这仨之间的版本要一致，在TensorFlow官网查看对应CUDA的版本，再从NVIDIA官网下载对应CUDA的cudnn版本。2，CUDA目前最新版本是10.1，TensorFlow2应该是...
原创
2021-11-26 11:04:26
320阅读
文章目录1. 基础知识1.1 张量生成1.2 常用函数1.3 实例: 鸢尾花分类2. 神经网络的优化过程（手工实现）2.1 预备知识2.2 神经网络复杂度2.3 激活函数2.4 损失函数2.5 缓解过拟合2.6 优化器3. 搭建网络（内置八股方式）3.1 基础八股3.2 搭建网络结构类4. 搭建网络（进阶）4.1 自制数据集4.2 数据增强4.3 断点续训4.4 参数提取4.5 acc曲线与los
进行学习首先需要明确TensorFlow 是一个面向于深度学习算法的科学计算库，内部数据保存在张量(Tensor)对象上，所有的运算操作(Operation, OP)也都是基于张量对象进行。数据类型Tensorflow中的基本数据类型有三种，包括数值型、字符串型和布尔型。【数值型】又包括：（在 TensorFlow 中间，为了表达方便，一般把标量、向量、矩阵也统称为张量，不作区分，需要根据张量的维
