0 前言当前pytroch是最流行的深度学习框架， 最主要的优点就是灵活易用。 tensorflow在很多生产部署环境中应用也还比较广泛， 虽然不好用， 但是效率上还是有点优势的。很多最新的研究工作是基于torch做的， 实际应用时可能需要转换为tensorflow。 因此， 这里列出一些常用的api映射关系，方便查阅和避坑。需要注意的是， torch的api比较简单， 但tensorflow的a
转载
2024-03-25 14:09:37
62阅读
pytorch和tensorflow函数对应关系方法名称大写一般为类，小写为函数，如A，a，使用方法为A()(),a()作用Pytorchtensorflow平常系列tensor常量troch.tensor()tf.constant()rangetorch.arange()tf.range()求和元素.sum()tf.reduce_sum()随机变量torch.normal()tf.random.
转载
2024-03-17 19:04:17
62阅读
tensorflow使用（转）https://github.com/wizardforcel/data-science-notebook/tree/master/tf/learning-tf-zh一、基础变量TensorFlow 是一种表示计算的方式，直到请求时才实际执行。 从这个意义上讲，它是一种延迟计算形式，它能够极大改善代码的运行：更快地计算复杂变量跨多个系统的分布式计算，包括 GPU。减少
1.pytorch和tensorflow的区别？ 1、首先是图的创建和调试 pytorch图结构的创建是动态的，即图是运行时创建的，更容易调试pytorch代码 tensorflow图结构的创建是静态的，即图首先被“编译”，然后再运行。 （一个好的框架应该要具备三点： ——方便实现大计算图； ——可自动求变量的导数； ——可简单的运行在GPU上； pytorch都做到了，但是现在很多公司用的都是
转载
2024-05-09 22:09:52
1079阅读
自从百度2018年推出飞桨（PaddlePaddle）的第一个0.14版本后，不少开发者感兴趣并参与贡献其中，但一直存在代码转移的问题。比如，你有一项工作使用TensorFlow完成，简答粗暴地切换到PaddlePaddle平台几乎相当于把之前的代码重写一遍，等于做一次没什么意义的二次开发。而笔者的工作中就遇到了这个问题，直到我发现了X2Paddle。
X2Paddle是
转载
2024-01-21 10:12:41
102阅读
最近在学习深度学习，想在一台MX450显卡的小米笔记本电脑装pytorch和tensorflow，以下内容为方便自己以后查看，若有问题，请在评论指出，谢谢！环境：WIN10 + MX450 + Anaconda + Pycharm最新补充：pytorch官网已经不再对cuda10.x版本进行支持，最低也是cuda11.3了，有些显卡查看了发现只支持11.1的（如RTX1050），可以通过在英伟达官
转载
2023-12-02 22:32:01
71阅读
引言：AlphaGo在2017年年初化身Master，在弈城和野狐等平台上横扫中日韩围棋高手，取得60连胜，未尝败绩。AlphaGo背后神秘的推动力就是TensorFlow——Google于2015年11月开源的机器学习及深度学习框架。 TensorFlow TensorFlow是相对高阶的机器学习库，用户可以方便地用它设计神经网络结构，而不必为了追求高效率的实现亲自写C++或CUDA代码。它
python小白装tensorflow的心酸眼泪史重装系统后： win64+pycharm+python3.7（Anaconda）+cuda10.0+tensorflow1.13.1 win64+pycharm+python3.6.6+cuda9.0+tensorflow1.10.0一般来说，下载安装的顺序为：
Created with Raphaël 2.2.0
期待地
转载
2024-05-20 13:00:12
120阅读
2.2 数据操作在PyTorch中，torch.Tensor是存储和变换数据的主要工具。Tensor和Numpy的多维数组非常类似。然而，Tensor提供GPU计算和自动求梯度等更多功能，这些使得Tensor更加适合深度学习。‘tensor’这个单词一般可翻译为“张量”，张量可以看作是一个多维数组。标量可以看作0维数组，向量可以看作1维张量，矩阵可以看作是二维张量。2.2.1 创建Tensor创建
转载
2024-07-18 07:46:26
59阅读
优点：以FP32到INT8量化为例，模型存储占用减小为1/4；增加数据throughput。 什么是量化：表达式：示意图：为什么不使用线性量化(y=ax+b)？因为线性量化后做乘运算会改变分布。怎么量化：TensorFlow Lite量化：训练后量化和量化训练两种方式。训练后量化方式：过程：1.权重量化. 2.infer校准数据集统计activations的最大最小值以量化activat
转载
2024-03-13 09:37:28
81阅读
对于Tensorflow的运作方式还不是很理解的同学一定要将上面这个图牢牢记在脑海中。在学习基础概念和新的代码的时候，不断将所学跟途中的信息做对照。 这张图的第一层理解就是，当有一个输入时，Tensorflow会根据这个输入值产生相应的输出值。如果这个输出值与实际的值有偏差，那么Tensorflow会对神经网络中的参数进行调整。以使得以下一的输出值更加
# 解决TensorFlow和PyTorch冲突问题
作为一名经验丰富的开发者，你可能会遇到TensorFlow和PyTorch冲突的问题。这种情况通常发生在两个库的依赖冲突上。下面我将教你如何解决这个问题。
## 流程
首先，让我们来看一下整个解决问题的流程，我们可以用一个表格展示出来：
| 步骤 | 操作 |
| ---- | ------ |
| 1 | 检查当前环境中已安装的
原创
2024-04-17 03:38:23
302阅读
# TensorFlow与PyTorch的冲突与共存
在深度学习的生态系统中，TensorFlow和PyTorch是两个最为常用的框架。它们各自具有不同的特性和优势，但在某些情况下，使用这两个框架可能会产生冲突。然而，了解它们的基本概念与特点，可以让开发者更好地选择合适的工具，甚至在同一项目中合理地结合使用这两者。
## TensorFlow与PyTorch的基本概念
TensorFlow是
简单的 Tensorflow 开发环境分为 GPU和CPU两种版本，安装上的不同之处只是最后使用 pip 工具安装的时候命令不同。因为GPU版本的使用GPU进行运算，对图像的处理速度更快，目前只支持NVIDIA的显卡。 一、安装CUDA框架和cuDNN库（如果确定不使用GPU，可以跳过此步）参照官方文档安装即可：官方文档关于CUDA和cuDNN的关系：https://www.jiansh
转载
2024-09-02 15:38:53
24阅读
本文目录
目录
本文目录环境安装PyTorch数据类型操作pandas读写数据集矩阵操作自动求导概率论 环境安装PyTorch官网Jupyter NoteBookPyTorch数据类型操作import torch
x = torch.arange(12) # 使用arange创建一个行向量x tensor([ 0, 1, 2, 3, 4, 5, 6, 7
转载
2024-10-12 20:04:57
32阅读
# TensorFlow 和 PyTorch 混用的解决方案
在深度学习领域，TensorFlow 和 PyTorch 是两个最流行的框架。虽然它们各有优缺点，但在某些项目中，我们可能需要同时使用这两个框架。本篇文章将教你如何实现 TensorFlow 和 PyTorch 的混用，指导你解决潜在的冲突。
## 流程概述
为了顺利实现 TensorFlow 和 PyTorch 的混用，我们可以
同时安装pytorch和TensorFlow等多种深度学习开发环境（1） 在前一篇博文里面，因为cuda版本问题，只创建一个环境安装了pytorch。并没有安装tensorflow。CUDA版本问题解决之前的pytorch是使用CUDA11.0，目前对于TensorFlow大都都是CUDA10.2以及以下。重现卸载CUDA11.0也是一个麻烦事情。解决办法同时安装多个CUDA版本。在原有CUDA1
转载
2023-10-17 18:50:49
2292阅读
之前也说过，tf 和 t 的层本质区别就是 tf 的是层函数，调用即可，t 的是类，需要初始化后再调用实例(实例都是callable的) 卷积tensorflow.nn.conv2dimport tensorflow as tf
sess = tf.Session()
input = tf.Variable(tf.random_normal([1,3
转载
2023-08-22 20:52:17
100阅读
因为在windows环境下想pytorch和tensorboard联合使用，所以搜到了这个Tensorflow和Pytorch同时安装的博文，验证并转载过来。 目录前言一、Tensorflow的版本兼容性二、Pytorch的版本兼容性三、Tensorflow安装流程1.创建虚拟环境2.激活虚拟环境3.配置CUDA和CUDNN驱动框架（这步没有测试，因为我是装的CPU版）4.加载tensorflow
转载
2023-08-16 10:25:49
805阅读
tensorflow作为一个著名的开源深度学习框架，其在python平台的神经网络模型搭建、训练和测试等是很齐全的，但其在C++端的设计方面性能相对较差。在实际工程中，C++项目具有更省时的优点，因此基于C++的tensorflow的开发是很重要的。一些比较知名的网络模型，例如yolo-v3系列等的C++代码较为全面，一定程度属于定制的。然而对于一些自己编写的网络模型的支持方面，我们往往需要自己来
转载
2024-08-12 10:45:28
35阅读
