openvino系列 10. Model Optimizer：TensorFlow pb 模型转化 IR 模型本章节将介绍 OpenVINO Model Optimizer 模块，以及如何将TensorFlow pb 模型转化为 IR 模型（mo --input_model <INPUT_MODEL>.pb）。环境描述：本案例运行环境：Win10，10代i5笔记本IDE：VSCodeo
tf1:
tf.GradientTape()函数：
tf提供的自动求导函数
x = tf.Variable(initial_value=3.)
with tf.GradientTape() as tape: # 在 tf.GradientTape() 的上下文内，所有计算步骤都会被记录以用于求导
y = tf.square(x)
y_grad = tape.gradient(y,
转载
2024-05-26 16:41:34
38阅读
目录1 引言2 DSSM结构图3 word hashing4 推荐中召回的使用DSSM5 基于pytorch的代码实现5.1 数据展示及其预处理5.2 特征处理5.2.1 计算每个user的推荐正类物料特征，计算每个item的平均打分特征5.2.2 区分稀疏特征和密集特征，并进行归一化等处理5.2.3 几个预处理函数5.2.3 处理序列特征，并将它们进行索引化5.3 模型构建5.3.1 DSS网络
作者 | 安晟&闫永强2017年谷歌在一篇名为《Attention Is All You Need》的论文中,提出了一个基于attention(自注意力机制)结构来处理序列相关的问题的模型，名为Transformer。Transformer在很多不同nlp任务中获得了成功，例如：文本分类、机器翻译、阅读理解等。在解决这类问题时，Transformer模型摒弃了固有的
转载
2024-10-24 14:34:54
102阅读
经过一系列测试，tensorlfow-serving确实要比直接利用flask部署快非常多，虽然网上也有很多有关怎么把自己的训练好的模型部署到tensorlfow-serving上。但是为了有一个自己完整的记录，还是写了这样的经验供大家参考。（1）训练自己的tensorflow模型或者直接使用预训练的bert模型，这里我采用的tensorflow1.15.0版本。最终生成的是如下结构的模型文件：如
转载
2024-04-30 14:24:25
91阅读
使用tensorflow过程中，训练结束后我们需要用到模型文件。有时候，我们可能也需要用到别人训练好的模型，并在这个基础上再次训练。这时候我们需要掌握如何操作这些模型数据。看完本文，相信你一定会有收获！一、Tensorflow模型文件我们在checkpoint_dir目录下保存的文件结构如下：|--checkpoint_dir
| |--checkpoint
| |--MyModel.meta
|
转载
2024-08-29 19:23:38
60阅读
一、运行时优化 Grappler是TensorFlow提供的运行时优化功能，图1为Grappler模块主要功能的UML关系图。其中tensorflow.grappler.GrapplerItem:表示待优化的TensforFlow模型，主要包括计算图、fetch节点、feed节点；tensorflow.grappler.GraphOptimizer:是grapp
转载
2024-05-21 14:41:17
63阅读
这里我们解释一下tf.nn.rnn_cell.BasicLSTMCell(), tf.nn.dynamic_rnn()的用法。1 tf.nn.rnn_cell.BasicLSTMCell()__init__(
num_units,
forget_bias=1.0,
state_is_tuple=True,
activation=None,
reuse=Non
本文翻译自Medium上的文章：Step by Step TensorFlow Object Detection API Tutorial — Part 3: Creating Your Own Dataset，进行到这一步，我们已选择了预训练模型，并将现有数据集转化为单个TFRecord文件。但是，如果我们找到的数据集与即将使用的目标检测模型不完全匹配，而我们希望获得最佳效果，该怎么办？ 更极端
转载
2024-05-01 15:08:42
55阅读
前段时间实践tensorflow目标检测模型再训练，过程见博文tf2目标检测-训练自己的模型总结目标检测模型再训练过程，有以下几点需注意：1 训练集和测试集训练图片每张只包含一个目标，因此可用小尺寸图片，且统一训练图片大小，有助于加快训练过程。测试图片则用大图片，包含多个需检测目标，同时包括应排除的目标，检验模型训练成果。2 模型处理窗口和输入图片resize问题每个再训练模型有处理窗口，例如ss
转载
2024-04-24 16:05:34
72阅读
1.简介TensorFlow可以很容易地利用单个GPU加速深度学习模型的训练过程，但要利用更多的GPU或者机器，需要了解如何并行化训练深度学习模型。常用的并行化深度学习模型训练方式有两种，同步模式和异步模式。2.两种模式的区别为帮助读者理解这两种训练模式，首先简单回顾一下如何训练深度学习模型。下图展示了深度学习模型的训练流程图。深度学习模型的训练是一个迭代的过程。在每一轮迭代中，前向传播算法会根据
转载
2023-11-26 20:32:49
85阅读
10月26日，深度学习元老Hinton的NIPS2017 Capsule论文《Dynamic Routing Between Capsules》终于在arxiv上发表。今天相关关于这篇论文的TensorFlow\Pytorch\Keras实现相继开源出来，让我们来看下。论文地址：https://arxiv.org/pdf/1710.09829.pdfCapsule 是一组神经元，其活动向量（act
转载
2024-08-21 09:43:39
53阅读
3. TF 代码分析初步 3.1 TF总体概述 为了对TF有整体描述，本章节将选取TF白皮书[1]中的示例展开说明，如图 3 1所示是一个简单线性模型的TF正向计算图和反向计算图。图中x是输入，W是参数权值，b是偏差值，MatMul和Add是计算操作，dMatMul和dAdd是梯度计算操作，C是正向计算的目标函数，1是反向计算的初始值，dC/dW和dC/dx是模型参数的梯度函数。 图
转载
2023-09-06 12:51:44
341阅读
在Kubernetes（K8S）环境中实现TensorFlow代码和模型的加密部署是一种保护机密信息和知识产权的有效方式。本文将向您展示如何实现这一目标，让您不用担心机密代码和模型的泄霎。
### 步骤概述
为了实现TensorFlow代码和模型的加密部署，我们需要完成以下步骤：
| 步骤 | 操作 |
| --- | --- |
| 1 | 准备TensorFlow代码和模型 |
| 2
原创
2024-04-29 12:16:22
138阅读
tensorflow图像数据预处理图像的亮度、对比度等属性对图像的影响是非常大的，相同物体在不同亮度、对比度差别非常大。然而在很多图像识别问题中，这些因素都不应该影响最后的识别结果。通过对图像的预处理，可以尽量避免模型受到无关因素的影响。在大部分图像识别问题中，通过图像处理过程可以提高模型的准确率。Tensorflow图像处理函数Tensorflow提供了一种统一的格式来存储数据，这个格式就是TF
实现模型持久化的目的在于可以使模型训练后的结果重复使用。这样就会节省重复训练模型的时间,提高编程工作的效率。通用代码实现 :train.Server 类是 Tensorflow 提供的用于保存和还原一个神经网络模型的API 。import tensorflow as tfa = tf.Variable(tf.constant([1.0,2.0],shape=[2]) , ...
原创
2023-02-18 00:24:08
68阅读
cifar10训练数据集下载链接：https://pan.baidu.com/s/1Qlp2G5xlECM6dyvUivWnFg 提取码：s32t代码解析前置配置引入tensorflow库，和其他辅助库文件。安装方式为pip3 install tensorflow numpy pickle。详细过程不在这里描述。 在这里，训练和测试数据集文件放在该脚本的父文件夹中，因此按照实际情况来对CIFAR_
转载
2024-05-13 11:28:25
49阅读
tensorflow实现线性回归模型1.变量（1）变量的创建（2）变量的初始化（3）变量的作用域2.可视化学习Tensorboard（1）开启tensorboard（2）增加变量显示3.tensorflow实现线性回归实战（1）Tensorflow运算API（2）梯度下降API（3）实现线性回归4.模型加载和保存5.命令行参数 1.变量（1）变量的创建变量也是一种OP，是一种特殊的张量，能够进行
转载
2024-04-21 13:36:46
78阅读
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。以下代码给出了保存TesnsorFlow计算图的方法。import tensorflow as tf
#声明两个变量并计算他们的和
v1 = tf.Variable(tf.constant(1.0, shape = [1]), name = "v1")
v2 = tf.V
转载
2024-06-07 05:52:46
30阅读
本篇介绍函数包括：
tf.conv2d
tf.nn.relu
tf.nn.max_pool
tf.nn.droupout
tf.nn.sigmoid_cross_entropy_with_logits
tf.truncated_normal
tf.constant
tf.placeholder
tf.nn.bias_add
tf.reduce_mean
tf.squared_d
转载
2024-02-22 00:49:25
37阅读
