文章目录一、概述1.模型存储2.量化方法3.模型验证二、基于安卓的TF模型1.初始化解释器2.准备输入3.调用解释器4.输出结果三、基于IOS的TF模型1.初始化2.准备输入3.使用解释器进行预测4.获得并映射结果5.使用量化四、基于嵌入式设备的TF模型1.嵌入式设备介绍2.环境搭建3.训练代码（1）初始化解释器（2）预处理（3）进行推理（4）获取结果 课程地址：tensorflow-data-
转载
2024-07-10 15:41:19
85阅读
Tensorboard可视化简介TensorBoard是一款为了更方便 TensorFlow 程序的理解、调试与优化发布的可视化工具。你可以用 TensorBoard 来展现你的 TensorFlow 图像，绘制图像生成的定量指标图以及附加数据。TensorBoard 通过读取 TensorFlow 的事件文件来运行。TensorFlow 的事件文件包括了你会在 TensorFlow 运行中涉及到
Tensorflow2实现LeNet相关介绍实验环境具体实现导入相关库获取CIFAR10 数据集LeNet模型训练模型评估模型保存模型加载模型进行预测参考文献相关介绍卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Fee
原创
2023-02-05 07:43:06
89阅读
TensorFlow2 Python深度学习 - TensorFlow2框架入门 - TensorFlow2 模块、层和模型简介
本笔记参照TensorFlow官方教程，主要是对‘Tensor’教程内容翻译和内容结构编排，原文链接：Tensor 张量一、秩1.1 0级秩1.2 1级秩1.3 高级秩1.4 获得一个‘tf.Tensor’对象的秩1.5 指定‘tf.Tensor'片二、形状（shape）2.1 获取tf.Tensor对象的形状2.2 更改tf.Tensor的形状三、数据类型四、评价张量五、打印一个张量 顾名思义，
转载
2024-10-08 11:51:06
38阅读
Tensorflow2.1无痛入门——官方API中文搬运及注释神经网络小白，寒假开始学习神经网络，本来想根据B站慕课之类的demo进行学习，但是发现很多课程都是关于TensorFlow1.x的，本来以为差别不大，学了好久才发现相差甚远。。摸鱼好几天都没有找到合适的入门教材，最后发现官方的API才是入门最妥当的方式。。。浪费了不少时间。希望这里的整理可以帮到大家啦。（文章开头不能空两格真的很头疼）原
【Tensorflow】菜鸟学TensorFlow 2.0：TensorFlow2.0基础知识讲解1. 简介2. TensorFlow的特点3. TensorFlow的发展历程4. TensorFlow 2 的框架5. TensorFlow的开发流程6. TensorFlow为研究提供强大的实验工具7. 入门案例8. TensorFlow常见基本概念1. 计算图2. 张量3. 会话4. 运算操作
转载
2024-03-29 13:40:27
81阅读
本文为 AI 研习社编译的技术博客，原标题 ：
How to deploy TensorFlow models to production using TF Serving 作者 | Thalles Silva 翻译 | 胡瑛皓 校对 | Pita 审核 | 约翰逊·李加薪 整理 | 立鱼王 原文链接： https:// me
文章目录0x00 先上一段代码0x01 庖丁解牛1 - __init__0x02 庖丁解牛2 -- build()0x03 庖丁解牛3 -- call()0x04 最终输出0x05 总结 0x00 先上一段代码问题： 在自定义网络层的时候，想要搞清楚build() 和 call() 是用来做什么的，为什么能调用成功，不用外部再定义# coding=utf-8
'''
@ Summary: tes
转载
2024-09-16 19:27:19
26阅读
前言Tensorflow的eager模式是一个命令式编程环境,它使得我们可以立即评估操作产生的结果,而无需构建计算图。图运算需要搭建好整个框架,再把东西倒进去才能生出结果,过程中是看不到里面的运作。eager模式极大的方便了我们使用Tensorflow、调试模型,增加了网络调试的灵活程度和Tensorflow对于初学者的友好性,亦称为Tensorflow的交互模式。与Tensorflow 1.x版
转载
2024-04-24 12:49:31
29阅读
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
转载
2024-04-15 09:54:39
53阅读
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.
转载
2024-04-30 14:33:00
64阅读
# TensorFlow的BN层与PyTorch的BN层
在深度学习中，批量归一化（Batch Normalization, BN）层是一种重要的技术，能够加速训练速度并提高模型的稳定性。无论在TensorFlow还是PyTorch中，BN层都扮演着重要的角色。本文将简要对比这两个框架中的BN层，并提供相应的代码示例。
## 批量归一化的基本原理
批量归一化的目标是将每一层的输入标准化，使其
原创
2024-08-16 07:05:35
103阅读
硬件 i7-10700K+RTX2080S软件Win10Miniconda3-py37_4.8.2-Windows-x86_64cuda10.1cudnn7.6.5tensorflow2.3.0安装过程网上看到很多教程都是先把CUDA、cuDNN安装下来再一步步安装。流程没毛病，不过，英伟达的官网就有点恶心，奇慢无比，还时不时的打不开，好不容易打开了网页，下载又下载不下来，要么就一动不动
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
转载
2024-05-25 16:55:42
130阅读
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
转载
2024-04-02 21:42:56
72阅读
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
转载
2024-04-30 04:14:05
265阅读
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，
转载
2024-04-03 12:54:45
37阅读
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
转载
2024-05-13 12:55:58
0阅读
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
转载
2024-04-26 13:41:27
95阅读
