读数总结：使用tf构建一个简单的SLP模型，部分定义需要在上一学习笔记中复习。分为导入模块、数据构建、模型定义、学习阶段、测试及准确率计算，共五个部分。##5.1 导入模块此次建模主要用到numpy用于构建数据，TensorFlow用于构建模型，matplotlib用于数据可视化。 ##5.2 数据构建本次学习的数据是11个点的坐标及对应的点的类型，建模的目标是找到一条直线能够正确划分两
转载
2024-07-12 11:50:40
37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
tensorflow使用多个gpu训练 关于多gpu训练,tf并没有给太多的学习资料，比较官方的只有：tensorflow-models/tutorials/image/cifar10/cifar10_multi_gpu_train.py但代码比较简单，只是针对cifar做了数据并行的多gpu训练，利用到的layer、activation类型不多，针对更复杂网络的情况，并没有给出指导。
转载
2024-02-26 22:47:22
39阅读
多输入和多输出模型：使用函数式模型的一个典型场景是搭建多输入、多输出的模型。考虑这样一个模型。我们希望预测Twitter上一条新闻会被转发和点赞多少次。模型的主要输入是新闻本身，也就是一个词语的序列。但我们还可以拥有额外的输入，如新闻发布的日期等。这个模型的损失函数将由两部分组成，辅助的损失函数评估仅仅基于新闻本身做出预测的情况，主损失函数评估基于新闻和额外信息的预测的情况，即使来自主损失函数的梯
转载
2024-04-17 15:22:30
178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
深度学习算法由于其数据量大、算法复杂度高等特点，常常需要采用某种形式的并行机制，常用的并行方法有数据并行（data parallel）和模型并行（model parallel）两种。尽管现有的深度学习框架大多都支持多GPU，但caffe、theano、tensorflow采用的都是数据并行，而亚马逊推出的DSSTNE（Deep Scalable
转载
2024-02-23 19:43:08
36阅读
循环神经网络循环神经网络（Recurrent Neural Network, RNN）是一种适宜于处理序列数据的神经网络，被广泛用于语言模型、文本生成、机器翻译等。常用模型结构定义循环神经网络层APISimpleRNN、LSTM、GRUimport tensorflow as tf1.SimpleRNNVanilla RNNtf.keras.layers.SimpleRNNRNN主要参数说明：un
转载
2024-07-04 22:23:44
111阅读
近日，随着实验的深入，实验规模也越来越大，单张GPU的算力不够，同时，我又经常需要测试不同的模型，每次都搭建一个框架会很麻烦，所以我这次让框架与模型分离，以后只需要修改一点点内容就能马上上运行了原理Tensorflow多GPU运算有两种模式：异步模式，同步模式。异步模式时，不同GPU各自运行反向传播算法并独立的更新数据，这种模式理论上最快但是可能无法达到较优的训练结果。在同步模式下，各个GPU完成
转载
2024-03-25 23:05:41
45阅读
1.概述TensorFlow分布式是基于GRPC库实现的高性能集群训练框架，能有效的利用多机多卡资源，将大型的模型或者代码拆分到各个节点分别完成，从而实现高速的模型训练。如下图所示，tensorflow的分布式集群中存在的节点主要有两种：ps节点和worker节点，ps节点是用于保存和计算训练参数的节点；worker节点是用于训练的节点。由于ps和worker节点都有可能存在多个，因此ps和wor
转载
2024-04-01 13:12:03
27阅读
此文档是关于网上相关安装总结的教程，本人安装是在Win10环境下，基于Anaconda2.7和Aanaconda3.5双版本共存的情况安装的Tensorflow。参考的安装教程原网站如下：1.
2.
3.
1. Anaconda的安装
2.7版本直接下载，因为Tensorflow只支持3.5版本，而官网下载界面只有3.6版本，所以去它的旧库找到 Anaconda3-4.2.0-Windouw
转载
2024-08-31 23:36:44
30阅读
如果使用多GPU训练模型，推荐使用内置fit方法，较为方便，仅需添加2行代码。 在Colab笔记本中：修改->笔记本设置->硬件加速器 中选择 GPU 注：以下代码只能在Colab 上才能正确执行。 可通过以下colab链接测试效果《tf_多GPU》： https://colab.research.
转载
2020-04-13 12:57:00
571阅读
2评论
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
文章目录Tensorflow Serving实战安装Tensorflow serving准备YOLOX模型部署YOLOX模型测试YOLOX模型多模型多版本部署模型的热部署参考 Tensorflow Serving使用Tensorflow框架训练好模型后，想把模型部署到生产环境可以使用Tensorflow Serving进行部署。Tensorflow Serving具有以下作用：兼容Tensorf
转载
2024-05-05 18:54:11
162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
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
这个公众号终于又要开始更新了，这几个月每天都在研究Tensorflow，虽然之前工作中也用它训练了不少模型，可是大部分模型都非常简单．最近接触了更多的深度学习模型后，对Tensorflow有了一些新的体会，于是打算写一系列相关文章，记录自己的学习心得．目前计划有简单的函数介绍，关于Keras的使用感触，分布式训练与优化，以及CUDA编程和Tensorflow的自定义函数．今天就先从简单的调试和功能
转载
2024-04-15 11:34:27
24阅读
一、tensorflow安装首先系统中已经安装了两个版本的tensorflow，一个是通过keras安装的， 一个是按照官网教程https://www.tensorflow.org/install/install_linux#InstallingNativePip使用Virtualenv 进行安装的，第二个在根目录下，做标记以防忘记。安装教程： 使用 Virtualenv 进行
转载
2024-05-13 14:32:25
90阅读
ResNet模型在GPU上的并行实践TensorFlow分布式训练：单机多卡训练MirroredStrategy、多机训练MultiWorkerMirroredStrategy4.8 分布式训练当我们拥有大量计算资源时，通过使用合适的分布式策略，我们可以充分利用这些计算资源，从而大幅压缩模型训练的时间。针对不同的使用场景，TensorFlow 在 tf.distribute.Strategy`中为
转载
2024-08-01 07:49:56
282阅读
以下为博客全文由于设备的处理和能力有限，在移动设备上的计算密集型机器学习模型上运行推理，对资源的要求很高。虽然转换为定点模型是一种加速的方法，但我们的用户已经要求我们提供GPU支持作为加速原始浮点模型推理的选项，且不增加量化的额外复杂性和潜在的准确性损失。我们很高兴地宣布，随着TensorFlow Lite GPU后端开发者预览版的发布，你将能够利用移动GPU来选择模型训练(如下所示)，对于不支持
转载
2024-05-08 09:50:06
84阅读
