Michael是个半路程序员

文章目录1. tfhub2. 例子：神经风格转换3. retrain 例子学习于：简单粗暴 TensorFlow 21. tfhub网址：https://hub.tensorflow.google.cn/https://tfhub.dev/可以搜索，下载模型安装包 pip install tensorflow-hubimport tensorflow_hub as hubhub_url = 'https://hub.tensorflow.google.cn/google/m

文章目录1. 单机多卡 MirroredStrategy2. 多机训练 MultiWorkerMirroredStrategy学习于：简单粗暴 TensorFlow 21. 单机多卡 MirroredStrategy# 分布式训练import tensorflow as tfimport tensorflow_datasets as tfds# 1 单机多卡 MirroredStrategystrategy = tf.distribute.MirroredStrategy()# 指定设备

文章目录1. 安装 Docker2. 使用 Docker 部署参考：https://tensorflow.google.cn/tfx/serving/docker1. 安装 Docker参考文章：docker安装等操作2. 使用 Docker 部署

文章目录1. tf.saved_model.save2. Keras 模型导出学习于：简单粗暴 TensorFlow 21. tf.saved_model.savetf.train.Checkpoint 可以保存和恢复模型中参数的权值导出模型：包含参数的权值，计算图无须源码即可再次运行模型，适用于模型的分享、部署注意：继承 tf.keras.Model 的模型，一些方法需要是计算图模式，比如 call() 方法必须用 @tf.function 修饰class MLPmodel(tf.

文章目录1. TFRecord 格式存储2. tf.function 高性能3. tf.TensorArray 支持计算图特性4. tf.config 分配GPU学习于：简单粗暴 TensorFlow 21. TFRecord 格式存储使用该种格式，更高效地进行大规模的模型训练import randomimport osimport tensorflow as tf# 使用前一节 kaggle 上的 猫狗数据集train_data_dir = "./dogs-vs-cats/trai

文章目录1. tf.data1.1 数据集建立1.2 数据集预处理1.3 并行处理1.4学习于：简单粗暴 TensorFlow 21. tf.data1.1 数据集建立tf.data.Dataset.from_tensor_slices()import matplotlib.pyplot as plt(train_data, train_label), (_, _) = tf.keras.datasets.mnist.load_data()train_data = np.expand_dims

文章目录学习于：简单粗暴 TensorFlow 2

文章目录1. Keras Sequential / Functional API2. 自定义 layer3. 自定义 loss4. 自定义 评估方法学习于：简单粗暴 TensorFlow 21. Keras Sequential / Functional APItf.keras.models.Sequential([layers...])，但是它不能表示更复杂的模型mymodel = tf.keras.models.Sequential([ tf.keras.layers.Flatten

文章目录1. CNN 卷积神经网络2. 预训练模型学习于：简单粗暴 TensorFlow 21. CNN 卷积神经网络卷积神经网络，卷积后尺寸计算# CNN 模型class myCNN(tf.keras.Model): def __init__(self): super().__init__() self.conv1 = tf.keras.layers.Conv2D( filters=32, kernel_si

先下载安装驱动：https://www.nvidia.cn/Download/index.aspx?lang=cn下载安装 anaconda，管理虚拟环境：https://www.anaconda.com/products/individual，并换国内的源，加速后面下载包打开 conda 命令行，conda create -n env_name python=3.7，or 自定义路径 conda create --prefix=D:\yourpath\tf2 python=3.7激活创建的虚拟环境.

文章目录1. 自定义模型2. 学习流程学习于：简单粗暴 TensorFlow 21. 自定义模型重载 call() 方法，pytorch 是重载 forward() 方法import tensorflow as tfX = tf.constant([[1.0, 2.0, 3.0],[4.0, 5.0, 6.0]])y = tf.constant([[10.0],[20.0]])class Linear(tf.keras.Model): def __init__(self):

文章目录1. 张量2. 自动求导、梯度下降学习于：简单粗暴 TensorFlow 21. 张量import tensorflow as tfprint(tf.__version__) # 2.3.1random_float = tf.random.uniform(shape=())# tf.Tensor(0.80420315, shape=(), dtype=float32)zero_vec = tf.zeros(shape=(2))# tf.Tensor([0. 0.], shape=(