TFMA(tensorflow_model_analysis)常用操作（使用简单的dataframe评估模型）

最新推荐文章于 2024-05-02 12:48:46 发布
最新推荐文章于 2024-05-02 12:48:46 发布
阅读量251 收藏
点赞数
分类专栏： tfx 文章标签： tensorflow python 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/T_eddy/article/details/131411926
版权

目录

import pandas as pd
from google.protobuf import text_format
import tensorflow_model_analysis as tfma

2023-06-26 21:43:20.786840: I tensorflow/core/platform/cpu_feature_guard.cc:193] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations:  AVX2 FMA
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.
2023-06-26 21:43:23.042179: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer.so.7'; dlerror: libnvinfer.so.7: cannot open shared object file: No such file or directory; LD_LIBRARY_PATH: /usr/local/TensorRT/lib:/usr/local/cuda-11.7/lib64
2023-06-26 21:43:23.042551: W tensorflow/compiler/xla/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libnvinfer_plugin.so.7'; dlerror: libnvinfer_plugin.so.7: cannot open shared object file: No such file or directory; LD_LIBRARY_PATH: /usr/local/TensorRT/lib:/usr/local/cuda-11.7/lib64
2023-06-26 21:43:23.042563: W tensorflow/compiler/tf2tensorrt/utils/py_utils.cc:38] TF-TRT Warning: Cannot dlopen some TensorRT libraries. If you would like to use Nvidia GPU with TensorRT, please make sure the missing libraries mentioned above are installed properly.

使用dataframe进行评估

这里假设预测是由多列值组成。如果是单列，那么更加简单，与label一样

df=pd.DataFrame({'label':[0,1,2],'prediction':[[1,2,3],[4,5,6],[7,8,9]], 'iden':['male','female','male']})
df
labelpredictioniden
00[1, 2, 3]male
11[4, 5, 6]female
22[7, 8, 9]male
eval_config = text_format.Parse("""
    model_specs{
        label_key: 'label',
        prediction_key: 'prediction'
    }
    metrics_specs{
        #aggregate{micro_average: True}  #这里的bool可以大写开头或小写
        metrics{class_name: "ExampleCount"}
        metrics{
            class_name: "FairnessIndicators"
            config: '{"thresholds": [0.5]}'
        }
        metrics{class_name: "MultiClassConfusionMatrixPlot"}
        metrics{
            class_name: "SparseCategoricalCrossentropy"
            config:'{"axis":-1  ,"from_logits":true}'   #这里的bool需要小写，否则报错
        }
        metrics{class_name: "SparseCategoricalAccuracy"}
    }
    slicing_specs{}
    slicing_specs{
        feature_keys: 'iden'
    }
""",tfma.EvalConfig())
eval_config

model_specs {
  label_key: "label"
  prediction_key: "prediction"
}
slicing_specs {
}
slicing_specs {
  feature_keys: "iden"
}
metrics_specs {
  metrics {
    class_name: "ExampleCount"
  }
  metrics {
    class_name: "FairnessIndicators"
    config: "{\"thresholds\": [0.5]}"
  }
  metrics {
    class_name: "MultiClassConfusionMatrixPlot"
  }
  metrics {
    class_name: "SparseCategoricalCrossentropy"
    config: "{\"axis\":-1  ,\"from_logits\":true}"
  }
  metrics {
    class_name: "SparseCategoricalAccuracy"
  }
}

output_path = './test4'
eval_result = tfma.analyze_raw_data(
data=df,
eval_config=eval_config,
output_path=output_path)

WARNING:apache_beam.io.filebasedsink:Deleting 1 existing files in target path matching: 
WARNING:apache_beam.io.filebasedsink:Deleting 1 existing files in target path matching: -*-of-%(num_shards)05d
WARNING:apache_beam.io.filebasedsink:Deleting 1 existing files in target path matching: -*-of-%(num_shards)05d
WARNING:apache_beam.io.filebasedsink:Deleting 1 existing files in target path matching: -*-of-%(num_shards)05d
WARNING:apache_beam.io.filebasedsink:Deleting 1 existing files in target path matching:

可视化切片——指标

tfma.view.render_slicing_metrics(eval_result,slicing_column='iden')

在这里插入图片描述

可视化Plot

tfma.view.render_plot(eval_result,slicing_spec=tfma.SlicingSpec(feature_values={'iden':'male'}))

在这里插入图片描述

可视化Fairness

tfma.addons.fairness.view.widget_view.render_fairness_indicator(eval_result)

在这里插入图片描述

同时可视化多个评估结果——比较

###output_paths:List[str]多个评估结果输出路径的List，未测试
# eval_results_from_disk = tfma.load_eval_results(output_paths)
# tfma.view.render_time_series(eval_results_from_disk)

评估结果获取

eval_result.get_slice_names()

[(('iden', 'male'),), (), (('iden', 'female'),)]

eval_result.get_metric_names()

['fairness_indicators_metrics/true_negative_rate@0.5',
 'fairness_indicators_metrics/false_positive_rate@0.5',
 'fairness_indicators_metrics/recall@0.5',
 'fairness_indicators_metrics/false_omission_rate@0.5',
 'fairness_indicators_metrics/false_negative_rate@0.5',
 'fairness_indicators_metrics/true_positive_rate@0.5',
 'example_count',
 'fairness_indicators_metrics/precision@0.5',
 'fairness_indicators_metrics/false_discovery_rate@0.5',
 'sparse_categorical_accuracy',
 'sparse_categorical_crossentropy',
 'fairness_indicators_metrics/positive_rate@0.5',
 'fairness_indicators_metrics/negative_rate@0.5']

eval_result.get_metrics_for_all_slices()

{(('iden',
   'male'),): {'sparse_categorical_crossentropy': {'doubleValue': 1.4076058864593506},
  'sparse_categorical_accuracy': {'doubleValue': 0.5},
  'example_count': {'doubleValue': 2.0},
  'fairness_indicators_metrics/false_positive_rate@0.5': {'doubleValue': 1.0},
  'fairness_indicators_metrics/false_negative_rate@0.5': {'doubleValue': 0.0},
  'fairness_indicators_metrics/true_positive_rate@0.5': {'doubleValue': 1.0},
  'fairness_indicators_metrics/true_negative_rate@0.5': {'doubleValue': 0.0},
  'fairness_indicators_metrics/positive_rate@0.5': {'doubleValue': 1.0},
  'fairness_indicators_metrics/negative_rate@0.5': {'doubleValue': 0.0},
  'fairness_indicators_metrics/false_discovery_rate@0.5': {'doubleValue': 0.6666666666666666},
  'fairness_indicators_metrics/false_omission_rate@0.5': {'doubleValue': 'NaN'},
  'fairness_indicators_metrics/precision@0.5': {'doubleValue': 0.3333333333333333},
  'fairness_indicators_metrics/recall@0.5': {'doubleValue': 1.0}},
 (): {'sparse_categorical_crossentropy': {'doubleValue': 1.4076060056686401},
  'sparse_categorical_accuracy': {'doubleValue': 0.3333333432674408},
  'example_count': {'doubleValue': 3.0},
  'fairness_indicators_metrics/false_positive_rate@0.5': {'doubleValue': 1.0},
  'fairness_indicators_metrics/false_negative_rate@0.5': {'doubleValue': 0.0},
  'fairness_indicators_metrics/true_positive_rate@0.5': {'doubleValue': 1.0},
  'fairness_indicators_metrics/true_negative_rate@0.5': {'doubleValue': 0.0},
  'fairness_indicators_metrics/positive_rate@0.5': {'doubleValue': 1.0},
  'fairness_indicators_metrics/negative_rate@0.5': {'doubleValue': 0.0},
  'fairness_indicators_metrics/false_discovery_rate@0.5': {'doubleValue': 0.6666666666666666},
  'fairness_indicators_metrics/false_omission_rate@0.5': {'doubleValue': 'NaN'},
  'fairness_indicators_metrics/precision@0.5': {'doubleValue': 0.3333333333333333},
  'fairness_indicators_metrics/recall@0.5': {'doubleValue': 1.0}},
 (('iden',
   'female'),): {'sparse_categorical_crossentropy': {'doubleValue': 1.4076058864593506},
  'sparse_categorical_accuracy': {'doubleValue': 0.0},
  'example_count': {'doubleValue': 1.0},
  'fairness_indicators_metrics/false_positive_rate@0.5': {'doubleValue': 1.0},
  'fairness_indicators_metrics/false_negative_rate@0.5': {'doubleValue': 0.0},
  'fairness_indicators_metrics/true_positive_rate@0.5': {'doubleValue': 1.0},
  'fairness_indicators_metrics/true_negative_rate@0.5': {'doubleValue': 0.0},
  'fairness_indicators_metrics/positive_rate@0.5': {'doubleValue': 1.0},
  'fairness_indicators_metrics/negative_rate@0.5': {'doubleValue': 0.0},
  'fairness_indicators_metrics/false_discovery_rate@0.5': {'doubleValue': 0.6666666666666666},
  'fairness_indicators_metrics/false_omission_rate@0.5': {'doubleValue': 'NaN'},
  'fairness_indicators_metrics/precision@0.5': {'doubleValue': 0.3333333333333333},
  'fairness_indicators_metrics/recall@0.5': {'doubleValue': 1.0}}}

male_slice = (('iden', 'male'),)
eval_result.get_metrics_for_slice(male_slice)

{'sparse_categorical_crossentropy': {'doubleValue': 1.4076058864593506},
 'sparse_categorical_accuracy': {'doubleValue': 0.5},
 'example_count': {'doubleValue': 2.0},
 'fairness_indicators_metrics/false_positive_rate@0.5': {'doubleValue': 1.0},
 'fairness_indicators_metrics/false_negative_rate@0.5': {'doubleValue': 0.0},
 'fairness_indicators_metrics/true_positive_rate@0.5': {'doubleValue': 1.0},
 'fairness_indicators_metrics/true_negative_rate@0.5': {'doubleValue': 0.0},
 'fairness_indicators_metrics/positive_rate@0.5': {'doubleValue': 1.0},
 'fairness_indicators_metrics/negative_rate@0.5': {'doubleValue': 0.0},
 'fairness_indicators_metrics/false_discovery_rate@0.5': {'doubleValue': 0.6666666666666666},
 'fairness_indicators_metrics/false_omission_rate@0.5': {'doubleValue': 'NaN'},
 'fairness_indicators_metrics/precision@0.5': {'doubleValue': 0.3333333333333333},
 'fairness_indicators_metrics/recall@0.5': {'doubleValue': 1.0}}

评估结果——dataframe

#获取metrics的转换为pandas
dfs=tfma.experimental.dataframe.metrics_as_dataframes(tfma.load_metrics(output_path))
dfs.double_value
slicesmetric_keysmetric_values
idenOverallnamemodel_nameoutput_nameexample_weightedis_diffdouble_value
0b'male'NaNsparse_categorical_crossentropyFalseFalse1.407606
1b'male'NaNsparse_categorical_accuracyFalseFalse0.500000
2b'male'NaNexample_countFalseFalse2.000000
3b'male'NaNfairness_indicators_metrics/false_positive_rat...FalseFalse1.000000
4b'male'NaNfairness_indicators_metrics/false_negative_rat...FalseFalse0.000000
5b'male'NaNfairness_indicators_metrics/true_positive_rate...FalseFalse1.000000
6b'male'NaNfairness_indicators_metrics/true_negative_rate...FalseFalse0.000000
7b'male'NaNfairness_indicators_metrics/positive_rate@0.5FalseFalse1.000000
8b'male'NaNfairness_indicators_metrics/negative_rate@0.5FalseFalse0.000000
9b'male'NaNfairness_indicators_metrics/false_discovery_ra...FalseFalse0.666667
10b'male'NaNfairness_indicators_metrics/false_omission_rat...FalseFalseNaN
11b'male'NaNfairness_indicators_metrics/precision@0.5FalseFalse0.333333
12b'male'NaNfairness_indicators_metrics/recall@0.5FalseFalse1.000000
13NaNsparse_categorical_crossentropyFalseFalse1.407606
14NaNsparse_categorical_accuracyFalseFalse0.333333
15NaNexample_countFalseFalse3.000000
16NaNfairness_indicators_metrics/false_positive_rat...FalseFalse1.000000
17NaNfairness_indicators_metrics/false_negative_rat...FalseFalse0.000000
18NaNfairness_indicators_metrics/true_positive_rate...FalseFalse1.000000
19NaNfairness_indicators_metrics/true_negative_rate...FalseFalse0.000000
20NaNfairness_indicators_metrics/positive_rate@0.5FalseFalse1.000000
21NaNfairness_indicators_metrics/negative_rate@0.5FalseFalse0.000000
22NaNfairness_indicators_metrics/false_discovery_ra...FalseFalse0.666667
23NaNfairness_indicators_metrics/false_omission_rat...FalseFalseNaN
24NaNfairness_indicators_metrics/precision@0.5FalseFalse0.333333
25NaNfairness_indicators_metrics/recall@0.5FalseFalse1.000000
26b'female'NaNsparse_categorical_crossentropyFalseFalse1.407606
27b'female'NaNsparse_categorical_accuracyFalseFalse0.000000
28b'female'NaNexample_countFalseFalse1.000000
29b'female'NaNfairness_indicators_metrics/false_positive_rat...FalseFalse1.000000
30b'female'NaNfairness_indicators_metrics/false_negative_rat...FalseFalse0.000000
31b'female'NaNfairness_indicators_metrics/true_positive_rate...FalseFalse1.000000
32b'female'NaNfairness_indicators_metrics/true_negative_rate...FalseFalse0.000000
33b'female'NaNfairness_indicators_metrics/positive_rate@0.5FalseFalse1.000000
34b'female'NaNfairness_indicators_metrics/negative_rate@0.5FalseFalse0.000000
35b'female'NaNfairness_indicators_metrics/false_discovery_ra...FalseFalse0.666667
36b'female'NaNfairness_indicators_metrics/false_omission_rat...FalseFalseNaN
37b'female'NaNfairness_indicators_metrics/precision@0.5FalseFalse0.333333
38b'female'NaNfairness_indicators_metrics/recall@0.5FalseFalse1.000000
#切片为行，评价为列
tfma.experimental.dataframe.auto_pivot(dfs.double_value)
(metric_keys, name)example_countfairness_indicators_metrics/false_discovery_rate@0.5fairness_indicators_metrics/false_negative_rate@0.5fairness_indicators_metrics/false_omission_rate@0.5fairness_indicators_metrics/false_positive_rate@0.5fairness_indicators_metrics/negative_rate@0.5fairness_indicators_metrics/positive_rate@0.5fairness_indicators_metrics/precision@0.5fairness_indicators_metrics/recall@0.5fairness_indicators_metrics/true_negative_rate@0.5fairness_indicators_metrics/true_positive_rate@0.5sparse_categorical_accuracysparse_categorical_crossentropy
slices
Overall:3.00.6666670.0NaN1.00.01.00.3333331.00.01.00.3333331.407606
iden:b'female'1.00.6666670.0NaN1.00.01.00.3333331.00.01.00.0000001.407606
iden:b'male'2.00.6666670.0NaN1.00.01.00.3333331.00.01.00.5000001.407606
#fileter slices
df_double = dfs.double_value
df_filtered = df_double.loc[df_double.slices.iden==b'male']
tfma.experimental.dataframe.auto_pivot(df_filtered)
(metric_keys, name)example_countfairness_indicators_metrics/false_discovery_rate@0.5fairness_indicators_metrics/false_negative_rate@0.5fairness_indicators_metrics/false_omission_rate@0.5fairness_indicators_metrics/false_positive_rate@0.5fairness_indicators_metrics/negative_rate@0.5fairness_indicators_metrics/positive_rate@0.5fairness_indicators_metrics/precision@0.5fairness_indicators_metrics/recall@0.5fairness_indicators_metrics/true_negative_rate@0.5fairness_indicators_metrics/true_positive_rate@0.5sparse_categorical_accuracysparse_categorical_crossentropy
slices
iden:b'male'2.00.6666670.0NaN1.00.01.00.3333331.00.01.00.51.407606
#加载validation结果，需要Model Validation（多模型），由于这里没有多个模型且缺少change_threshold
#所以没有validation结果
tfma.load_validation_result(output_path)

missing_thresholds: true

Model Validation（多模型）

由于没有数据、模型，这里不能运行，下面摘录自https://tensorflow.google.cn/tfx/tutorials/model_analysis/tfma_basic。未测试

# Setup tfma.EvalConfig setting
eval_config_with_thresholds = text_format.Parse("""
  ## Model information
  model_specs {
    name: "candidate"
    # For keras we need to add a `label_key`.
    label_key: "big_tipper"
  }
  model_specs {
    name: "baseline"
    # For keras we need to add a `label_key`.
    label_key: "big_tipper"
    is_baseline: true
  }

  ## Post training metric information
  metrics_specs {
    metrics { class_name: "ExampleCount" }
    metrics { class_name: "BinaryAccuracy" }
    metrics { class_name: "BinaryCrossentropy" }
    metrics {
      class_name: "AUC"
      threshold {
        # Ensure that AUC is always > 0.9
        value_threshold {
          lower_bound { value: 0.9 }
        }
        # Ensure that AUC does not drop by more than a small epsilon
        # e.g. (candidate - baseline) > -1e-10 or candidate > baseline - 1e-10
        change_threshold {
          direction: HIGHER_IS_BETTER
          absolute { value: -1e-10 }
        }
      }
    }
    metrics { class_name: "AUCPrecisionRecall" }
    metrics { class_name: "Precision" }
    metrics { class_name: "Recall" }
    metrics { class_name: "MeanLabel" }
    metrics { class_name: "MeanPrediction" }
    metrics { class_name: "Calibration" }
    metrics { class_name: "CalibrationPlot" }
    metrics { class_name: "ConfusionMatrixPlot" }
    # ... add additional metrics and plots ...
  }

  ## Slicing information
  slicing_specs {}  # overall slice
  slicing_specs {
    feature_keys: ["trip_start_hour"]
  }
  slicing_specs {
    feature_keys: ["trip_start_day"]
  }
  slicing_specs {
    feature_keys: ["trip_start_month"]
  }
  slicing_specs {
    feature_keys: ["trip_start_hour", "trip_start_day"]
  }
""", tfma.EvalConfig())

# Create tfma.EvalSharedModels that point at our keras models.
candidate_model_path = os.path.join(MODELS_DIR, 'keras', '2')
baseline_model_path = os.path.join(MODELS_DIR, 'keras', '1')
eval_shared_models = [
  tfma.default_eval_shared_model(
      model_name=tfma.CANDIDATE_KEY,
      eval_saved_model_path=candidate_model_path,
      eval_config=eval_config_with_thresholds),
  tfma.default_eval_shared_model(
      model_name=tfma.BASELINE_KEY,
      eval_saved_model_path=baseline_model_path,
      eval_config=eval_config_with_thresholds),
]

validation_output_path = os.path.join(OUTPUT_DIR, 'validation')

# Run TFMA
eval_result_with_validation = tfma.run_model_analysis(
    eval_shared_models,
    eval_config=eval_config_with_thresholds,
    data_location=tfrecord_file,
    output_path=validation_output_path)

其他评估模型的方法（使用Beam或非Tensorflow模型）

链接

起名大废废
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Tensorflow 模型持久化 Model Persistence
Identify && Analyze && Solve Problems
09-10 1520
Methods of tf model persistence 如果我们的神经网络比较复杂，训练数据比较多，那么我们的模型训练就会耗时很长，如果在训练过程中出现某些不可预计的错误，导致我们的训练意外终止，那么我们将会前功尽弃。为了避免这个问题，我们就可以通过模型持久化（保存为CKPT格式）来暂存我们训练过程中的临时数据。 如果我们训练的模型需要提供给用户做离线的预测，那么我们只需要前向传播的过程
TensorFlow的模型分析工具-Python开发
05-25
TensorFlow模型分析TensorFlow模型分析（TFMA）是用于评估TensorFlow模型的库。 它允许用户使用相同的度量标准以分布式方式评估大量数据的模型。TensorFlow模型分析TensorFlow模型分析（TFMA）是一个用于评估...
model-analysis:TensorFlow 的模型分析工具
07-23
TensorFlow 模型分析 TensorFlow 模型分析(TFMA) 是一个用于评估 TensorFlow 模型的库。 它允许用户使用在其训练器中定义的相同指标，以分布式方式在大量数据上评估他们的模型。 这些指标可以在不同的数据切片上计算，并在 Jupyter 笔记本中可视化。 注意：TFMA 可能会在 1.0 版之前引入向后不兼容的更改。 安装 安装 TFMA 的推荐方法是使用： pip install tensorflow-model-analysis 从安装 pip pip install -i https://pypi-nightly.tensorflow.org/simple tensorflow-model-analysis 从 git 的 HEAD 安装 pip： pip install git+https://github.com/tensorflow/mo
探索TensorFlow Model Analysis：深度学习模型评估的新里程
gitblog_00098的博客
03-26 433
探索TensorFlow Model Analysis：深度学习模型评估的新里程 项目地址:https://gitcode.com/tensorflow/model-analysis 项目简介 TensorFlow Model Analysis 是一个开源项目，由谷歌TensorFlow团队开发，旨在提供对机器学习模型性能的全面、可扩展和交互式分析。该项目的核心目标是帮助数据科学家和机器学习工程师...
吴恩达机器学习环境本地化构建(wsl+docker+tensorflow+cuda)_wsl ubuntu tensorflow + cuda docker安装
最新发布
ccc6553584的博客
05-02 1084
注意: tensorflow.google.cn是tensorflow.org的完整镜像，可以解决官方访问不了的问题，但是务必要选择English，中文的内容落后了好几个版本。写了一个Dockerfile，用这个Dockerfile可以build出可用的docker image，这样就可以跳过下面的4，5两步直接启动可用的镜像了。当然，我独立安装了cuda toolkit和cuDNN模块，看起来是包重复的问题。，注意上面log的最后token=的字样，将它copy进去就可以使用了。
tensorflow models 工程解析
人工智能
04-15 311
项目地址：https://github.com/tensorflow/models 下面列表中的是否支持 tf2.0 来源于 https://github.com/tensorflow/models/commit/d466d4e6be438ab80fb364c2ae08d4d1eccfa8f7 是否支持tf2.0 a3c_blogpost adversaria...
【笔记】解决Ubuntu 23.04下Warning: Could not find TensorRT的问题
miles2007的博客
08-29 1万+
解决问题笔记：TF-TRT Warning: Could not find TensorRT & Cannot dlopen some GPU libraries.
Python-TensorFlow的模型分析工具
08-11
TensorFlow模型分析（TFMA）是评估TensorFlow模型的库。 它允许用户使用培训师定义的相同指标，以分布式方式评估大量数据的模型。 这些度量也可以通过不同的数据片来计算，结果可以在Jupyter笔记本中可视化。
tf-estimator-tutorials：该存储库包括有关如何使用TensorFlow estimator API以系统化和标准化的方式执行各种ML任务的教程
02-03
实施TensorFlow模型分析（TFMA）以评估模式的质量（TF v1.7） 如何使用tf.Hub文本特征列嵌入（TF v1.7 ） 如何实现自定义估算器（model_fn和EstimatorSpec）。 构建模型feature_column的标准元数据驱动方法，...
tfx-bsl：TFX的通用代码
02-27
仅由tfx_bsl/public下的子模块导出的符号供TFX用户直接使用，包括供独立的TFX库（例如TFDV，TFMA，TFT）用户，TFX管道作者和TFX组件作者使用。 一旦tfx_bsl超过1.0这些API将变得稳定并遵循语义版本控制。 其他目录...
小白笔记[1]| 运行tf问题整理(持续完善)
热门推荐
xr627的博客
11-01 2万+
整理一些使用tensorflow过程中的警告信息处理
Docker【部署 07】镜像内安装tensorflow-gpu及调用GPU多个问题处理Could not find cuda drivers+unable to find libcuda.so...
Java与大数据相关实践内容分享！
10-24 1921
Docker镜像内安装tensorflow-gpu及调用GPU多个问题处理Could not find cuda drivers+unable to find libcuda.so...
Docker【部署 05】docker使用tensorflow-gpu安装及调用GPU踩坑记录
Java与大数据相关实践内容分享！
10-11 2029
docker使用tensorflow-gpu安装及调用GPU踩坑记录
TFT(tensorflow_transform)中使用tensorflow_transform.beam的预处理操作
T_eddy的博客
06-27 268
TFT(tensorflow_transform)是TFX的组成部分，本文包括使用tensorflow_transform.beam的预处理操作
vscode连接远程服务器 + Tensorflow2环境配置 + 深度学习训练
SevenBerry的博客
03-13 4453
vscode连接远程服务器 + Tensorflow2环境配置 + 深度学习训练
【tf-trt环境配置】tensorflow+cuda+cudnn+tensorrt安装记录
qq_44876051的博客
01-27 4696
本文将介绍如何编译tensorflow+cuda+cudnn+tensorrt 环境查看 tensorflow版本要求：https://www.tensorflow.org/install/source TennsorRT环境要求： https://docs.nvidia.com/deeplearning/tensorrt/archives/index.html 选择 综合对比确定环境如下： 项目 Value cuda 10.1 update2 cudnn 7.6.5 baz
TFDV(tensorflow_data_validation)常用操作
T_eddy的博客
06-27 413
TFDV是TFX组成部分，本文是关于tensorflow_data_validation的常用操作，包括对Statistic、Schema的生成、修改、可视化以及数据验证。
TensorFlow Core—基本分类：对服装图像进行分类
深圳市多克创新科技有限公司
06-16 687
现在人工智能很火的，看到了这篇文章，给自己普及一下基础知识，也分享给大家，希望对大家有用。本指南将训练一个神经网络模型，对运动鞋和衬衫等服装图像进行分类。即使您不理解所有细节也没关系；这只是对完整 TensorFlow 程序的快速概述，详细内容会在您实际操作的同时进行介绍。本指南使用了 tf.keras，它是 TensorFlow 中用来构建和训练模型的高级 API。
吴恩达机器学习环境本地化构建(wsl+docker+tensorflow，我们用最详细的方式解析Linux运维消息机制的源码
2401_84254196的博客
04-11 1010
注意: tensorflow.google.cn是tensorflow.org的完整镜像，可以解决官方访问不了的问题，但是务必要选择English，中文的内容落后了好几个版本。写了一个Dockerfile，用这个Dockerfile可以build出可用的docker image，这样就可以跳过下面的4，5两步直接启动可用的镜像了。打开powershell，可以看到有3个wsl的distribusion，后两个是docker desktop启动的，所以不用担心。TF默认装了cu的包，所以冲突了？

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

起名大废废

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值