目录 简介 TensorFlow的特性 TensorFlow组件 TensorFlow用法介绍一、简介 TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。2015年11月9日，Google发布人工智能系统TensorFlow并宣布开源。其命名来源于本身的原理，Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算。Ten
转载
2024-10-24 19:59:22
31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
一、tensorflow的介绍 ①什么是数据流编程？ 数据流编程是一种解决多核处理器的效率利用问题的高性能并行编程模型。数据流编程与传统编程语言有着明显区别，它通过数据驱动的方式执行，将需要处理的数据分配到各个核上，将数据的计算与通信相分离，通过任务调度与分配，利用软件流水的并行特性来充分的挖掘流程序中潜在的并行性，使各个核之间负载均衡。在数据流范例中，一个数据流程序的静态实例会按照它的结构被描述
摘要在一个人工智能大爆发的时代，一个企业不来点人工智能都不好意思说自己是科技企业。随着各公司在各自领域数据量的积累，以及深度学习的强拟合特点，各个公司都会训练出属于自己的模型，那么问题就来了，你有模型，我也有模型，那还比什么？对，就是速度，谁的速度快，谁就厉害。引言tensorflow作为谷歌开源的深度学习神器，被学界以及业界广泛的推广，本文就不做过多的介绍，如有需要可以参考如下链接link1li
TensorFlow 的 C++ API 提供了用于构建和执行数据流图的机制。该 API 旨在实现简洁性：它使用 “函数式” 构造样式清晰表达图操作(包括轻松指定名称、设备放置等)，可以高效地运行生成的图，并用几行代码提取所需结果。本指南介绍了使用 C++ 开始构建和执行 TensorFlow 图需要了解的基本概念和数据结构。C++ API 仅适用于 TensorFlow bazel build。
NVIDIA宣布完成了推理优化工具TensorRT与TensorFlow将集成在一起工作。TensorRT集成将可用于TensorFlow1.7版本。TensorFlow仍然是当今最受欢迎的深度学习框架，而NVIDIA TensorRT通过对GPU平台的优化和提高性能，加速了深度学习推理。我们希望使用TensorRT能为TensorFlow用户提供尽可能高的推理性能以及接近透明的工作流。新的集成提
转载
2024-08-06 13:50:25
82阅读
第一次安装TensorflowCPU版本时，觉得好麻烦啊，有很多版本匹配问题。等我安装完GPU版本后，就觉得CPU版本也太简单了。带独立GPU的电脑可以使用TF的GPU版本进行加速。事实证明，即使是“很烂”的显卡，带来的加速效果也是很明显的（有一些包会针对GPU加速）毕竟我的GeForce GT 730都跟服务器20个CPU跑的速度差不多。下面是基于我的GT730显卡的配置教程，对应的是Tenso
背景本文紧接之前的一篇文章如何用ONNX加速BERT特征抽取，继续介绍如何用ONNX+ONNXRuntime来加速BERT模型推理。如果看过之前的那篇文章如何用ONNX加速BERT特征抽取的童鞋估计还记得文中留了一个疑问：为何优化过的ONNX模型与未优化的ONNX性能相近？说好的优化，说好地提速呢？与预期不符~经热心网友冠达提醒优化的ONNX模型运行时要开启OpenMP（如果没有安装，用apt-g
1.SVD用于推荐本文的SVD推荐不是FunkSVD，是利用我们在上篇文章中分析过的SVD分解进行推荐。怎么说呢？这才是真正的SVD推荐！应用的思路是在基于物品的协同过滤的基础上，利用SVD将物品稀疏表示转化为低维的特征表示。2.实战这部分的代码改自机器学习实战的第14章，保证可读性不保证运行效率。2.1 基于物品的协同过滤计算过程：对每个用户u未评分的物品item: 对每个u已评过分的物品i：
# 使用Java进行TensorFlow DNN推理
在机器学习和深度学习领域，TensorFlow已成为广泛使用的框架之一。对于Java开发者来说，尽管Python是TensorFlow的主要开发语言，但我们也可以使用Java进行深度神经网络（DNN）的推理。本文将为大家介绍如何在Java中使用TensorFlow进行DNN推理，并提供相应的代码示例。
## 1. TensorFlow概述
原创
2024-10-27 05:58:56
16阅读
一、准备工作 导入库函数：import tensorflow as tf
import numpy as np
import pandas as pd
from sklearn import datasets
from pandas import DataFrame
from matplotlib import pyplot as plt二、函
转载
2024-07-09 12:50:48
58阅读
目录：一、TensorFlow的系统架构二、TensorFlow的设计理念三、TensorFlow的运行流程四、TensorFlow的编程模型：边、节点、图、设备、变量、变量初始化、内核五、常用的API：图、操作、张量、变量作用域【variable_scope】、占位符placeholder 一、TensorFlow的系统架构：二、设计理念：（1）将图的定义和运行
一、实验目的1.掌握使用TensorFlow进行KNN操作2.掌握KNN 算法的原理二、实验原理knn的基本原理：KNN是通过计算不同特征值之间的距离进行分类。整体的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。K通常是不大于20的整数。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在分类决策上只依据最邻近的一个
转载
2023-08-26 12:34:15
73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
图模拟是一类宽松的图匹配模型。区别于子图同构要求匹配结果和匹配图具有相同的拓扑结构的规则，图模拟只对匹配节点的自身和一跳邻居有要求。得益于图模拟宽松的匹配规则，它具有较低的复杂度和更好的拓展性。这些优点引起了图算法界的注意，近些年，一些基于图模拟的研究工作陆续发表。为了进一步提高数据集的大小和算法的吞吐量，以及考虑到一些实际场景（数据分布在不同的机器上），分布式图模拟的研究是必要的。本文介绍了三篇
# TensorFlow 推理是Python吗？
TensorFlow是一个开源的机器学习工具库，最初由Google开发并发布。它提供了丰富的工具和API，可以用于构建各种深度学习模型。其中，推理是一个重要的环节，它指的是在已经训练好的模型上对新数据进行预测或分类。
在TensorFlow中，推理过程通常是用Python编写的，因为Python是TensorFlow的主要支持语言。但是，并不是
原创
2024-07-14 09:41:42
31阅读
入门小案例，分别是回归模型建立和mnist数据集的模型建立1、回归案例： import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
import pandas as pd
#1=====================================
一、 前言对未来的预测能够帮助企业更好的把握当下。因此，时间序列任务广泛应用于交通、气象、金融、零售等行业。本文介绍如何使用TensorFlow进行深度学习的时间序列预测，主要依托我即将发布的一个时序包东流TFTS (TensorFlow Time Series) 。TFTS是一个时间序列的开源工具，采用TensorFlow框架，支持多种深度学习SOTA模型。中文名“东流”，源自辛弃疾“青山遮不住
TF的部署分为单机部署和分布式部署。在训练集数据量很大的情况下，单机跑深度学习程序过于耗时，所以需要分布式并行计算。在分布式部署中，我们需要在不同主机节点，实现client，master，worker。1. Single-Device Execution1.1 单机多GPU训练构建好图后，使用拓扑算法来决定执行哪一个节点，即对每个节点使用一个计数，值表示所依赖的未完成的节点数目，当一个节点的运算完
转载
2024-06-30 09:05:03
34阅读
使用多GPU有助于提升训练速度和调参效率。
本文主要对tensorflow的示例代码进行注释解析：cifar10_multi_gpu_train.py1080Ti下加速效果如下（batch=128）单卡：
两个GPU比单个GPU加速了近一倍 ：1.简介多GPU训练分为：数据并行和模型并行单机多卡和多机多卡2.示例代码解读官方示例代码给出了使用多个GPU计算的流程：CPU 做为参数服务器多个GPU计
转载
2024-02-23 13:52:41
118阅读
