框架结构 在介绍Estimator之前需要对它在TensorFlow这个大框架的定位有个大致的认识，如下图示： 可以看到Estimator是属于High level的API，而Mid-level API

tensorflow是谷歌开源的人工智能库，有最完善的生态支持。是进行人工智能领域开发和科研的必备工具。

其中，我们会将图像存储在SingleStore DB数据库中，使用Keras和Tensorflow来构建图像分类

参考： Ubuntu21.10下安装TensorFlow及配置GPU支持（cuda11.1+cudnn8.1.0） Linux查看当前Cuda（CUDA Toolkit ）版本 Ubuntu22.04安装

用于识别物体 一、模型源码：https://github.com/tensorflow/models Protocol-buffer，Google开发的一套数据存储、网络通信时用于协议编码的工具库，和XML

1 前言 在接下来的这篇文章中，笔者将会以Fashion MNIST数据集为例来介绍如何用Tensorflow实现一个Softmax多分类模型。

合并和分割 合并是指将多个张量在某个维度上合并为一个张量，比如我们要将某学校所有的考试成绩单进行合并，张量A中记录了该学校1-4班的50名学生的9门科目的成绩，此时对应的shape就是[4,50,9]，张量B记录了5-10班的成绩，此时的shape就是[6,50,9]，我们合并这两个张量就能够得到该学校全部成绩的张量C为[10,50,9]，此时张量合并的用处就得以体现了...

光复制几个代码到自己机器上跑是没有用的。要理解！公式理解有困难...

[[341102]] 【51CTO.com快译】虽然您可以借助TensorFlow用数量较少的训练数据来训练简单的神经网络，但对于拥有庞大训练数据集的深度神经网络而言，确实需要使用具有CUDA功能的英伟达

和 TensorFlow 相比，我很难弄清 PyTorch 的核心要领。但是随后不久，PyTorch 发布了一个新版本，我决定重新来过。在第二次的学习中，我开始了解这个框架的易用性。在

1.tf.keras 搭建神经网络六步法 第一步：import 相关模块，如 import tensorflow as tf。

下面是 TensorFlow 中的优化器， https://www.tensorflow.org/api_guides/python/train 在 keras 中也有 SGD，RMSprop，Adagrad

Theano、TensorFlow、Torch、MXNet 再到近日比较热门的 PyTorch 等等，深度学习框架之间的比较一直以来都是非常受人关注的热点话题。

我们知道全新的TensorFlow2.0 Alpha已经于2019年3月被发布，新版本对TensorFLow的使用方式进行了重大改进，为了满足各位AI人对TensorFlow2.0的需求，我们推出了专栏

TensorFlow.NET实战：入门指南 TensorFlow.NET是一个用于构建和训练机器学习模型的强大工具，它以.NET框架为基础，为.NET开发者提供了使用TensorFlow的能力。

本文主要参考 @PursueWin【Anaconda、TensorFlow安装和Pycharm配置详细教程，亲测有效！】。教程写的很详细，亲测有效！ 这里对其中一些细节进行说明。

折腾了一天，终于把Tensorflow装好了。参照多篇教程，走了一些弯路，也是不容易。经过这次安装，得到的启示就是，还是用Linux吧说一下我的安装过程吧，我的电脑是windows7系统，64位。

本文中主要介绍不同类型的自编码器，并用TensorFlow进行实现。 2.原理 自编码器将原始的数据作为输入，然后将输入转化成有效的内部表现形式，输出数据看上去和输入是相似的。换句话说...

在tensorflow中提供了tf.train.ExponentialMovingAverage来实现滑动平均模型。在初始化ExponentialMovingAverage时...

在部署自己训练好的模型前，首先运行一下tensorflow发布的官方demo，运行成功，特此记录！

Tensorflow中padding后尺寸的计算公式为： 1.当padding = 'VALID'时 2.当padding = 'SAME'时 其中W表示输入的长宽，F表示过滤器filter 的尺寸，s

深度学习与TensorFlow DNN（深度神经网络算法）现在是AI社区的流行词。最近，DNN 在许多数据科学竞赛/Kaggle 竞赛中获得了多次冠军。

TensorFlow创建DeepDream网络 Google 于 2014 年在 ImageNet 大型视觉识别竞赛（ILSVRC）训练了一个神经网络，并于 2015 年 7 月开放源代码。

Keras 是与 TensorFlow 一起使用的更高级别的作为后端的 API。添加层就像添加一行代码一样简单。在模型架构之后，使用一行代码，你可以编译和拟合模型。之后，它可以用于预测。

国外的真的是太慢了啊啊啊啊啊啊 二、安装Anaconda-gpu版 1.试过很多种错误，推荐这种傻瓜式安装（如果想在虚拟环境种安装请新建一个虚拟环境，我直接在base下安装的） 先选uninstalled,里面找到tensorflow

Tensorflow 现在将 Dataset 作为首选的数据读取手段，而 Iterator 是 Dataset 中最重要的概念。

作为后起之秀，PyTorch 真的已经全面赶超 TensorFlow 了吗？为了研究这个问题...

什么是 TPU TPU 代表 Tensor Processing Unit (张量处理单元) ，是由谷歌在 2016 年 5 月发布的为机器学习而构建的定制集成电路（ASIC），并为 TensorFlow

一、引言 在这里，我们长话短说，短话简说，抱歉，还是说了这么多废话，两年多没有正式写技术博客了，有点兴奋又有点伤感，那就正式开始吧。 话说在某某年有人发明了人工智能这个专业术语，因此后来者想要达到这个人说的人工智能的那种状态。当然了，你可以把人工智能弱智的理解成机器人这种啦，当然咯，目前这还是很难实现的，我们就说两个现在大多数人都用得到的吧...

三好学生成绩问题 总分 = 德育分 * 60% + 智育分 * 60% + 体育分 * 60% 假设家长不知道这个规则，已知： 学校一定是以德育分、智育分和体育分三项分数的总分来确定三好学生的 计算总分时，三项分数应该有各自的权重系数 各自孩子的三项分数都已经知道，总分也已经知道 经过家长们的分析，只有三项分数各自乘以的权重系数是未知的...

1. FNN、PNN、wide&deep等此前几种深度模型 见下图。 1) FNN，见图左边。用 FM 预训练embedding layer，然后DNN训练。作者认为有两点局限：embedding layer 的参数会受到 FM 的影响；预训练计算量大，效率问题。同时 FNN仅能捕捉高阶特征，相比之下，DeepFM 无需预训练，且能捕捉高阶和低阶特征。 2) PNN，见图中间...

循环神经网络 介绍 可以在 this great article 查看循环神经网络(RNN)以及 LSTM 的介绍。 语言模型 此教程将展示如何在高难度的语言模型中训练循环神经网络。该问题的目标是获得一个能确定语句概率的概率模型。为了做到这一点，通过之前已经给出的词语来预测后面的词语。我们将使用 PTB(Penn Tree Bank) 数据集，这是一种常用来衡量模型的基准...

重要细节： 首先说明，anaconda默认的下载路径是外国网址，下载速度很慢，首先将默认下载地址改成国内镜像。 试了清华镜像还是很慢，就是因为这个一直没有头绪，今天看到一个帖子说中科大的镜像更好用更快！！！ 开始 打开Anaconda Prompt，进入Anaconda命令行管理界面...

前言 从前面的Tensorflow环境搭建到目标检测模型迁移学习，已经完成了一个简答的扑克牌检测器，不管是从图片还是视频都能从画面中识别出有扑克的目标，并标识出扑克点数。

一、Python 原生类型 TensorFlow接受了Python自己的原生数据类型，例如Python中的布尔值类型，数值数据类型（整数，浮点数）和字符串类型。

Tensorflow slim 最近在做这个迁移学习，看了一本书，叫《21个项目玩转深度学习》里面的第三章介绍如何用自己的数据集去训练自己的深度模型，当然了 这本书的python版本好像是2.x，用现在的

本文旨在将迁移学习训练好的模型基于tensorflow工具进行量化。 首先使用如下workflow理解模型部署的过程，本文主要描述的是quant这一步。 1.

我们可以在这个环境下安装tensorflow 2.0版本...

我们可以在这个环境下安装tensorflow 2.0版本...

1.1 TensorFlow 谷歌的Ten

重点 CIFAR-10 教程演示了在TensorFlow上构建更大更复杂模型的几个种重要内容： 相关核心数学对象...

通过这四个方面的对比，作者最后得出结论，TensorFlow 在大多数领域仍然处于领先地位，但 PyTorch 正在取得进展并逐渐缩小差距。 其实，这已经不是这位作者第一次调研深度学习框架了。

TensorFlow中提供哪些激活函数的API。 激活函数不会改变数据的维度，也就是输入和输出的维度是相同的...

1.如何在Docker中部署 tf serving 2.标准的tf serving API有哪些 3.如何打包自己的定制Docker镜像 当在Tensorflow中建立模型并训练好以后，只在本地运行或jupyter

近两年来，Google和Facebook等秉持开源理念，推动着AI工程工具越来越强大最近由于学术进程，一方面Pytorch越来越多地开始用于学术中来，另一方面 之前的模型都是基于tensorflow1.

在此选用了业界主流的三种深度学习框架Paddle，TensorFlow和Mxnet，对它们分别作了实战评估。用于测试的模型包括基于logistic回归模型和LSTM模型。

「调试代码（debug）是框架用户体验的关键部分，更轻松的调试意味着更快的迭代周期。在此版本中，我们通过三个主要更改对 TF/Keras 调试体验进行了广泛的重新设计，使其更高效、更有趣……」谷歌科学家，Keras 发明者 François

官方给的模型可以检测80多个类别，这里我们只检测行人，就需要将代码进行稍微修改即可： 项目路径图： 查看./data/classes/coco.names 类别的索引： 这里person为第1个，即索引为0 更改： ./core/utils.py1. draw_bbox函数(将roi_index设置为你想要的索引即可...

概述 深度学习是目前机器学习学科发展最蓬勃的分支, 在整个 AI 有广阔的应用. 人工智能是计算机科学的一个分支, 著名的 “图灵测试” 是 AI 的终极目标. 深度学习是在人工神经网络基础上发展而来的一种表示学科. 深度学习的优势: 海量的训练数据 非常灵活的模型 足够的运算能力 足够的对抗维度灾难的先验模型神经网络 卷积神经网络 (CNN) 卷积神经网络: Convolutional Neur

机器学习和深度学习的区别： 对比 传统的机器学习：需要进行特征提取...