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。

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...

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...

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

Keras的3个优点： 方便用户使用、模块化和可组合、易于扩展 1 导入tf.keras TensorFlow2推荐使用tf.keras构建网络...

加载TensorFlow库时，自动创建一个Graph对象作为默认数据流图，Op、Tensor对象自动放置在默认数据流图。多个不依赖模型需要创建多个Graph对象，节点添加到正确的数据流图。

深度学习 深度学习学习目标： 1、 TensorFlow框架的使用 2、 数据读取(解决大数据下的IO操作) + 神经网络基础 3、 卷积神经网络的学习 + 验证码识别的案例 例如： 机器学习： 数据输入

从当初的一窍不通到自学C++、了解Machine Learning、Python、Linux、Git、tensorflow、Qt等等这些日子接触的东西，我的内心告诉我...

tensorflow2查看具体tensor的值 一般来说直接print就可以了，会有如下结果 但有时候会遇到不可抗力，这时候不要用tf.compat.v1，然后开会话去看了，直接用 tf.print(diff

Mac下通过Anaconda安装Tensorflow Anaconda是一个基于python的科学计算平台，支持 Linux, Mac, Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本

在使用TensorFlow构建模型并进行训练时，如何读取数据并将数据恰当地送进模型，是一个首先需要考虑的问题。

每次 TensorFlow 运算都被描述成计算图的形式，允许结构和运算操作配置所具备的自由度能够被分配到各个分布式节点上。计算图可以分成多个子图，分配给服务器集群中的不同节点。

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

本文准备介绍tensorflow对在线学习的支持。

经过排查，发现keras已经安装并没有问题，路径也没有什么错误 2.网上搜索资料发现是由于tensorflow版本问题引发的（我这里是升级，若要降级也可同理...

当感知机使用阈值激活函数时，不能使用 TensorFlow 优化器来更新权重。我们将不得不使用权重更新规则： η 是学习率。为了简化编程，当输入固定为 +1 时，偏置可以作为一个额外的权重。那么，

一文中已详细介绍TensorFlow.js的用法，感兴趣的同学可以去看看。

其实TensorFlow是利用JS实现，我么都知道Python是人工智能的主流语言...

人脸属性指的是根据给定的人脸判断其性别、年龄和表情等，当前在github上开源了一些相关的工作，大部分都是基于tensorflow的，还有一部分是keras，CVPR2015曾有一篇是用 caffe

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。

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...

今天将分享Unet的改进模型SAUNet，改进模型来自2020年的论文《Shape Attentive U-Net for Interpretable Medical Image Segmentation》，简单明了给大家分析理解该模型思想。 1、SAUNet网络优点 心血管磁共振成像（CMR）是当前用作非侵入性评估各种心血管功能的金标准。其具有高空间分辨率，无电离辐射，相比核医学成像模式...

出现这些问题，很多时候是因为，忘记了机器上有两个Python环境。 默认环境是py2，而自己的工作环境是py3。 比如Linux上默认有py2.7，自己又安装了py3.5。比如Windows上，安装了py2，也安装了py3。 命令行直接输入python、pip等使用的是默认是py2，应该切换到py3的bin目录。 再使用./pip 等形式来运行...

今天将分享Unet的改进模型ACUNet，改进模型来自2020年的论文《ACU-NET:A 3D ATTENTION CONTEXT U-NET FOR MULTIPLE SCLEROSIS LESION SEGMENTATION》，通过理解该模型思想，在VNet基础上可以做同样的改进。 1、ACUNet优点 Unet虽然在医疗分割领域获得了成功，但是其无效地使用上下文信息和特征表示...

tf.reduce_mean 函数用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值...

原来的训练结果： 改变优化器：规定优化器为adam，并将if（learning_rate）为0.001. 改变优化器之后的训练结果：结果不是很好，很快达到了饱和 免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权...

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...

介绍 模型保存有5种：1、整体保存；2、网络架构保存；3、权重保存；4、回调保存；5、自定义训练模型的保存 1、整体保存：权重值，模型配置（架构），优化器配置 整个模型可以保存到一个文件中，其中包含权重值、模型配置乃至优化器配置。这样，您就可以为模型设置检查点，并稍后从完全相同的状态继续训练，而无需访问原始代码。 在Keras中保存完全可以正常使用的额模型非常有用...

一、概述 开篇明义，dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。注意是暂时，对于随机梯度下降来说，由于是随机丢弃，故而每一个mini-batch都在训练不同的网络。 关于dropout详情请查看 在机器学习中和深度学习中可能会存在 过拟合的问题，表现为在训练集上表现很好，但在测试集中表现不如训练集中的那么好。这主要是由于过拟合的问题...

直接从文件生成图片数据 ImageDataGenerator，循环生成图片，在重复生成图片之前，会把所有图片都遍历一遍。而且如果图片总量不是生成批量的倍数的话，在生成重复图片的前一次的批量是不完整的...

1.下载 anaconda anaconda相当于一个软件全家桶。里面包含了python的一些idle包括jupyter notebook以及spyder。最重要的是，下载了anaconda，就相当于下载了python，numpy，pandas，matplotlib，scipy… 我们进入官方直接下载anaconda 2.创建虚拟环境 由于深度学习框架版本更新较快...

当我们将模型训练完毕后，往往需要将模型在生产环境中部署。最常见的方式，是在服务器上提供一个 API，即客户机向服务器的某个 API 发送特定格式的请求，服务器收到请求数据后通过模型进行计算，并返回结果。如果仅仅是做一个 Demo，不考虑高并发和性能问题，其实配合 Flask 等 Python 下的 Web 框架就能非常轻松地实现服务器 API。不过，如果是在真的实际生产环境中部署...

TensorFlow是Google开发的一个开源深度学习框架...

TensorFlow LSTM Attention 机制图解 深度学习的最新趋势是注意力机制。

tensorflow训练后保存的模型主要包含两部分，一是网络结构的定义（网络图），二是网络结构里的参数值。

本篇博文将使用TensorFlow神经网络进行股市的预测，利用数据样本学习，得到相关因素预测股票走势。

TensorFlow 2.0主要使用的是动态计算图和Autograph。 动态计算图易于调试，编码效率较高，但执行效率偏低。 静态计算图执行效率很高，但较难调试。

我推荐pytorch，虽然tensorflow从代码上看更简洁，有些功能打包的更完整，但是由于2.0版本和1.0版本差别较大，会让你在学习过程中踩很多坑，弯路真是走了不少啊。 参考资料方面...

一般用于解决过拟合的方法有增加权重的惩罚机制，比如L2正规化，但在本处我们使用tensorflow提供的dropout方法...

前言：从2015年谷歌将tensorflow开源后，这位用于深度学习的强大神器便把Caffe，Keras，Torch7等这一票人全部干掉，github上的star和fork是一路飙升，几乎是它们的总和，

在tensorflow的使用中，经常会使用tf.reduce_mean,tf.reduce_sum等函数，在函数中，有一个reduction_indices参数，表示函数的处理维度，直接上图，一目了然：

下面，参考了一些资料，以我自己方便理解的思路，介绍了下Tensorflow。 目前，深度学习已经广泛应用于各个领域，比如图像识别，图形定位与检测，语音识别，机器翻译等等。