智能平台

去年年初，本来立志2019一定勤勤恳恳写博客，然而。。。 今年决定就算写《从入门到放弃》也要养成某种时刻落地日常积累的习惯。 作为一个主用keras/TF的算法码农，决定在新春伊始，对pytorch说一声真香，与其争论哪一种开发工具未来能一统天下，不如自己两种都能熟练掌握。所以，作为一个pytorch小白，在这肺炎疫情赏赐了的多三天假期内，决定开始自学pytorch，算是给自己标榜的全栈工程师目标再加上一块技能拼图。 What is Pytorch pytorch是一个python机器学习库，底层是C++实现，所以执行效率没的说。facebook开发，多个大公司如 Uber 、摩根大通等背书，在人工智能领域不乏成功案例。更重要的是，在最近AI领域的几大顶会中，2019年的pytorch的使用数量激增，已经全面超过了tf、caffe2、theano等诸君（不过tf2那时还为正式发布和普及） pytorch比tensorflow更简洁（咳咳。。keras表示不服） 例如，实现如下这个简单的计算图 tensorflow代码实现 tensorflow把构造计算图和运算分开处理，即如果想做上面图中的运算，需要先把上面这个计算图用tensorflow构建出来，然后才能进行运算。 import numpy import tensorflow numpy.random.seed(0) N, D =

系统环境 nv-jetson-nano-sd-card-image-r32.3.1.zip 1 基本工具安装 默认安装了python 3.6.8，需要安装如下基本软件 sudo apt update sudo apt install python3.6-dev sudo apt install libhdf5-serial-dev sudo apt install hdf5-tools # 安装h5py前需要安装两个该库 sudo apt install curl curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py # 下载安装脚本 sudo python3 get-pip.py # 运行安装脚本 sudo -H pip3 install jetson-stats #安装jetson-stats统计工具 sudo apt install libfreetype6-dev # for matplotlib sudo pip install matplotlib 2 使用jetson-stats工具查看已安装软件 jetson_release 3 安装tensorflow-gpu sudo pip install numpy sudo pip install --extra-index-url https:/

1. 地址: https://github.com/tobegit3hub/simple_tensorflow_serving 2.下载后解压到目录 3.准备环境(只能在linux上,因为window下安装uwsgi失败): sudo ln -s /usr/local/ssl/lib/libcrypto.so.45.0.4 /usr/lib64/libcrypto.so sudo ln -s /usr/local/ssl/lib/libssl.so.47.0.5 /usr/lib64/libssl.so pip373 install uwsgi pip373 install configparser flask-cors pandas pillow protobuf python3 setup.py install python3 setup.py develop 安装uwsgi报错,在uwsgiconfig.py中添加import platform, 并且将os.uname替换为platform.uname 4.生成资料: pip373 install sphinx sphinx_rtd_theme recommonmark cd simple_tensorflow_serving-master/docs make singlehtml build/singlehtml

跟着漂亮小姐姐从0到1学习Tensorflow 推荐一个Tensorflow发布的系列视频——“Machine Learning: From Zero to Hero with TensorFlow”（机器学习: 从零到一学习Tensorflow)，每个视频都很简短，有配套的案例代码，非常适合用一个下午的时间完整的熟悉机器学习、神经网络、机器视觉和TensorFlow的基本概念和操作。 第一集: 介绍机器学习的基础概念，用一个简单的示例代码去构建一个机器学习模型，然后你会明白机器学习究竟是什么样子？ 第二集: 本集以Fashion MNIST 数据集为例，通过教计算机如何看到并识别不同的物体，你可以学习到一些基本的计算机视觉概念。示例代码不但提供了完整机器学习流程，还提供了8个练习题。 第三集: 讨论卷积神经网络的工作原理，以及为什么它们在计算机视觉中得到了广泛的应用。示例代码演了卷积神经网络的创建、Pooling操作以及如何使用卷积神经网络来改进第二集中的Fashion MNIST图像分类模型。 第四集: 将本系列前三集的所有内容都整合在一起，学习如何构建一个剪刀，石头，布的分类器。 观看地址： https://www.bilibili.com/video/av85767561 数据集及案例代码已打包， 关注公众号，后台回复：Tensorflow 首发于微信公众号：

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 在win10上使用tensorflow-gpu1.12.0版本进行目标检测实验，出现ImportError: DLL load failed: The specified module could not be found 这样的错误。 问题根源是cuda和cudnn版本不对。 换成 cuda 9.0 tensorflow-gpu 1.12.0 cudnn 7.4.1.5 就可以用GPU 模式训练了。 解决方案地址： https://github.com/tensorflow/tensorflow/issues/22794 来源： oschina 链接： https://my.oschina.net/dapsjj/blog/3155890

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 1、说明： 参考资料： 1、 simple_tensorflow_serving 2、 https://pypi.org/project/simple-tensorflow-serving/ 3、 https://hub.docker.com/u/tobegit3hub 4、 https://stfs.readthedocs.io/en/latest/advanced_usage.html 5、 https://stfs.readthedocs.io/en/latest/advanced_usage.html （TensorFlow 模型的签名推荐与快速上线） 来源： oschina 链接： https://my.oschina.net/mengyoufengyu/blog/3154666

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> TensorFlow is a deep learning framework that provides an easy interface to a variety of functionalities, required to perform state of the art deep learning tasks such as image recognition, text classification and so on. New Terminal pip3 --version Install TensorFlow pip3 install --upgrade tensorflow Install TensorFlow-GPU pip3 install tensorflow-gpu Verifying the Installation 参考 Introduction to TensorFlow 来源： oschina 链接： https://my.oschina.net/wuxinshui/blog/3152554

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> TensorFlow Serving is a flexible, high-performance serving system for machine learning models, designed for production environments. 下载镜像 docker pull tensorflow/serving 网络原因，可能会导致timeout，多尝试几次。 启动镜像 docker run -t --rm -p 8501:8501 \ -v "$TESTDATA/saved_model_half_plus_two_cpu:/models/half_plus_two" \ -e MODEL_NAME=half_plus_two \ tensorflow/serving & 来源： oschina 链接： https://my.oschina.net/wuxinshui/blog/3150693

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 事实上，深度残差收缩网络是一种通用的深层特征学习方法，是深度残差网络ResNet、注意力机制与软阈值化的集成，可以用于图像识别任务。本文采用了TensorFlow 1.0和TFLearn 0.3.2，编写了图像分类的程序，采用的图像数据集为CIFAR-10，并且在图像中人工添加了高斯噪声。CIFAR-10是一个非常常用的图像数据集，包含10个类别。这个网址有具体介绍： https://www.cs.toronto.edu/~kriz/cifar.html 参照ResNet代码（ https://github.com/tflearn/tflearn/blob/master/examples/images/residual_network_cifar10.py ），深度残差收缩网络的代码如下： #!/usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Mon Dec 23 21:23:09 2019 M. Zhao, S. Zhong, X. Fu, B. Tang, M. Pecht, Deep Residual Shrinkage Networks for Fault Diagnosis, IEEE Transactions on

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 本文首发于个人博客 https://kezunlin.me/post/5898412/ ，欢迎阅读最新内容！ load model from file and stream for caffe and pytorch <!--more--> Guide caffe load from file enum caffe::Phase phase = caffe::Phase::TEST; std::string proto_filepath = "yolov3.prototxt"; std::string weight_filepath = "yolov3.caffemodel"; caffe::Net<float> net = caffe::Net<float>(proto_filepath, phase)); net.CopyTrainedLayersFrom(weight_filepath); load from stream no caffe method to load directly from stream. we can override ReadProtoFromTextFile and ReadProtoFromBinaryFile in src/caffe/util/io.cpp to