Tensorflow

战战兢兢尝试tensorflow2.0

1 anaconda 安装 2 子环境创建 必须创建 会下载必要的支持的库 conda create -n tf2.0 python=3.7 //创建 conda activate tf2.0 //** 3 用阿里源安装tf2.0 pip install tensorflow==2.0.0 -i https://mirrors.aliyun.com/pypi/simple 4测试一下 »

win 环境 安装anacoda 4.8.2 和tensorflow 2.1

Anaconda的安装 1、下载地址: https://www.anaconda.com/download/#download 因为国外下载速度很慢,建议用清华的镜像地址进行下载: https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/?C=M&O=D 下载最新的版本,我安装时最新的版本是4.8.2,也可以安装后更新到最新版本 2、安装 »

tensorflow .pb多模型合并从0到1

多模型合并:在模型上线时,我们训练的多个模型往往功能相似或相近或有某种联系,在请求模型的返回结果时,如果一个接一个的去请求,会严重影响程序的效率。并发请求虽然能够缓解这种现象,理论上甚至可以达到与单个模型相同的请求时间,但是实际操作与理论还是有很大差距的。很明显,这种将模型串联起来的方式不够科学。如果把这些模型并联起来,分别接受相同或不同的输入,效果会大大不同,其运行效率与单个模型相差无几。 接下 »

TensorFlow单机与分布式总结

单机多GPU训练 先简单介绍下单机的多GPU训练,然后再介绍分布式的多机多GPU训练。 单机的多GPU训练, tensorflow的官方已经给了一个cifar的例子,已经有比较详细的代码和文档介绍,这里大致说下多GPU的过程,以便方便引入到多机多GPU的介绍。 单机多GPU的训练过程: 通俗解释: 老师给小明和小华布置了10000张纸的乘法题并且把所有的乘法的结果加起来,每张纸上有128道乘法题。 »

TensorFlow官方简化版!谷歌开源机器学习库JAX

AI前线导读:什么?TensorFlow 有了替代品?什么?竟然还是谷歌自己做出来的?先别慌,从各种意义上来说,这个所谓的“替代品”其实是 TensorFlow 的一个简化库,名为 JAX,结合 Autograd 和 XLA,可以支持部分 TensorFlow 的功能,但是比 TensorFlow 更加简洁易用。虽然还不至于替代 TensorFlow,但已经有 Reddit 网友对 JAX 寄予厚 »

TensorFlow 安装最简单的办法 —— 针对 python 用户

搞人工智能不能不知道 TensorFlow ,知道 TensorFlow 你就必须得知道这个最简单的办法,不用苦苦查阅官方文档,一串命令即可完成所有安装。 Anaconda 是一个 python 版本管理的软件,同时支持很多 科学计算库的安装 安装 GPU 版的 TensorFlow 指令是 conda install tensorflow-gpu 安装 CPU 版的 TensorFlow 指令是 »

基于tensorflow的机器学习通用代码框架

数据流图的高层、通用训练闭环我们创建了一个训练闭环,它具有如下功能。·首先对模型参数进行初始化。通常采用对参数随机赋值的方法,但对于比较简单的模型,也可以将各参数的初值均设为0。·读取训练数据(包括每个数据样本及其期望输出)。通常人们会在这些数据送入模型之前,随机打乱样本的次序。·在训练数据上执行推断模型。这样,在当前模型参数配置下,每个训练样本都会得到一个输出值。·计算损失。损失是一个能够刻画模 »

TensorFlow入门:计算图和梯度流

背景: 边缘:输入或者输出参数节点:是指的中间的操作过程 之后创建一个Graph,再然后在session中运行。我们也可以将训练的结果保存为一个Graph,然后将这个流图给到第三方去运行,同时第三方不必知道训练的过程 梯度流就是一个逐级求导的过程 代码演示: #coding=utf-8 import tensorflow as tf import numpy as np import cv2 as »

Tensorflow学习 day02

Tensorflow实现神经网络 使用神经网络解决分类问题可以分为以下四个步骤: 提取问题中实体的特征向量作为神经网络的输入,不同的实体提取不同的特征向量 定义神经网络的结构,并定义如何丛神经网络的输入得到输出,这个过程就是神经网络的前向传播算法 通过训练数据来调整神经网络中参数的取值,这就是训练神经网络的过程 使用训练好的神经网络来预测未知的数据 前向传播算法 一个简单神经元结构 一个简单 »

TensorFlow Ranking框架在海外推荐业务中的实践与应用

前言 在当今互联网世界,推荐系统在内容分发领域扮演着至关重要的角色。如何尽可能的提升推荐系统的推荐效果,是每个推荐算法同学工作的核心目标。在爱奇艺海外推荐业务,引入TensorFlow Ranking(TFR)框架,并在此基础上进行了研究和改进,显著提升了推荐效果。本文将分享TFR框架在海外推荐业务中的实践和应用。 01 算法的迭代:从传统CTR预估到LTR 长期以来,在推荐系统排序阶段广泛应用的 »

【重磅】Tensorflow2.0实现29种深度强化学习算法大汇总

点击上方,选择星标或置顶,不定期资源大放送! 阅读大概需要3分钟 Follow小博主,每天更新前沿干货 来源:深度强化学习实验室 作者:王健树 【导读】今天给大家推荐一个超赞的强化学习项目资料,该项目作者使用gym,Unity3D ml-agents等环境,利用tensorflow2.0版本对29种算法进行了实现的深度强化学习训练框架,该框架具有如下特性: 实现单智能体强化学习、分层强化 »

TensorFlow踩坑记录:tensorboard No scalar data was found.

TensorFlow踩坑记录:tensorboard No scalar data was found. 问题描述 解决办法 问题描述 代码正确运行,模型训练无误,但是不显示loss 解决办法 将log文件放到不含中文的路径下没有人吐槽一下csdn不能拖拽上传图片么?!截图保存上传,太耗时了 »

[tensorflow] summary op 用法总结

0. 前言 官方教程(需要翻墙,都有中文版了): TensorBoard:可视化学习 TensorBoard:图的直观展示 TensorBoard:直方图信息中心 TensorFlow Summary 相关API(需要翻墙) Github: tensorflow/tensorboard 1. 综述 tf.summary相关API的功能就是,将定期将部分指定tensor的值保存到本地, »

12、Tensorflow:Tensorflow源代码目录

tensorflow ├── tensorflow(主目录) │ ├── c(c客户端接口实现) │ ├── cc(c++客户端接口实现) │ ├── compiler(XLA JIT support) │ ├── contrib(contributor目录) │ ├── core(核心模块) │ │ ├── common_runtime(公共运行库,例:session、threadpool、ex »

Centos7下安装Anaconda3+tensorflow

在学习linux开发过程中新鸟遇到不少问题,但是又苦于没有师傅带,出了问题只能google来解决,但是网上的资源真的有很多坑,很多,很多。在centos7单独安装python3.6进行开发时,遇到一个问题苦苦搜寻一天没有解决,无奈出现了本篇本章。 问题:在单独安装python3.6进行开发时,当导入import matplotlib包进行开发时,会出现No module named '_tkint »

maxout实现-TensorFlow

1.原理 maxout作为一种独特的**函数,来源于paper Goodfellow, I. J., Warde-Farley, D., Mirza, M., Courville, A., & Bengio, Y. (2013). Maxout networks. arXiv preprint arXiv:1302.4389。这种**函数提出来,是为了解决dropout方法优化不方便,和准 »

Anaconda3下成功安装Tensorflow-gpu(精华方法汇总)

tensorflow-cpu版本的安装非常简单,而gpu版本的安装却不那么简单 OS system:win7  IDLE:Pyhcharm 解释器环境:Anaconda3 5.1(对应python3.6) 显卡:NVIDA Geforce 1050 tensorflow-gpu的安装网上教程和方法很多,但是有很多版本问题,甚至有些方法都是错误的,总得来说就是tensorflow+CUDA+cuDN »

【关系抽取】Tensorflow实现基于Attention的PCNN以及ResCNN等(1)

本科毕业设计就是做关系抽取,准备采用远程监督数据集NYT数据集,使用Tensorflow实现几篇经典的论文,以及做一些改进和创新,本系列博客记录毕设全过程。 经典PCNN论文:http://www.aclweb.org/anthology/D15-1203 ResCNN论文:https://arxiv.org/pdf/1707.08866.pdf 注意本ResCNN模型没有结合Attention机 »