在 Cloud TPU 上训练 ResNet (TF 2.x)

最新推荐文章于 2024-11-06 12:46:34 发布
最新推荐文章于 2024-11-06 12:46:34 发布
阅读量439 收藏 8
点赞数 4
分类专栏： 开发板测评 文章标签： 人工智能 机器学习 深度学习
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/weixin_47569031/article/details/141557361
版权

本教程介绍如何使用 tf.distribute.TPUStrategy 在 Cloud TPU 上训练 Keras ResNet 模型。

如果您不熟悉 Cloud TPU，强烈建议您浏览框架的quickstart，了解如何创建 TPU 和 Compute Engine 虚拟机。

目标

  • 创建 Cloud Storage 存储桶以保存数据集和模型输出。
  • 准备与 ImageNet 数据集类似的 fake_imagenet 数据集。
  • 运行训练作业。
  • 验证输出结果。

费用

在本文档中，您将使用 Google Cloud 的以下收费组件：

  • Compute Engine
  • Cloud TPU
  • Cloud Storage

您可使用价格计算器根据您的预计使用情况来估算费用。 Google Cloud 新用户可能有资格申请免费试用。

准备工作

重要提示：您可以将本教程与 TPU 虚拟机或 TPU 节点配置搭配使用。系统架构中介绍了这两种虚拟机架构。您使用的 gcloud 命令取决于您使用的 TPU 配置。在本教程中，每个 gcloud 命令都显示在标签式部分中。选择您要使用的 TPU 配置的标签页，网页会显示相应的 gcloud 命令。除非您知道需要使用 TPU 节点，否则我们建议您使用 TPU 虚拟机。

在开始学习本教程之前，请检查您的 Google Cloud 项目是否已正确设置。

  1. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Note: If you don’t plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Cloud TPU 单设备训练

本部分介绍如何为单一设备训练设置 Cloud Storage 存储桶、虚拟机和 Cloud TPU 资源。

  1. 打开一个 Cloud Shell 窗口。

    打开 Cloud Shell

  2. 为项目 ID 创建一个变量。

 $ export PROJECT_ID=project-id
  1. 配置 Google Cloud CLI 以使用要在其中创建 Cloud TPU 的项目。
$ gcloud config set project ${PROJECT_ID}

当您第一次在新的 Cloud Shell 虚拟机中运行此命令时，系统会显示 Authorize Cloud Shell 页面。点击页面底部的 Authorize，以允许 gcloud 使用您的凭据进行 API 调用。

  1. 为 Cloud TPU 项目创建服务账号。

    服务帐号允许 Cloud TPU 服务访问其他 Google Cloud 服务。

$ gcloud beta services identity create --service tpu.googleapis.com --project $PROJECT_ID

该命令将返回以下格式的 Cloud TPU 服务账号：

service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
  1. 使用以下命令创建 Cloud Storage 存储桶：
$ gsutil mb -p ${PROJECT_ID} -c standard -l europe-west4 gs://bucket-name

此 Cloud Storage 存储桶存储您用于训练模型的数据和训练结果。本教程中使用的 gcloud 命令会为您设置 TPU，还会为在上一步中设置的 Cloud TPU 服务账号设置默认权限。如果您需要更精细的权限，请查看访问级层权限。

  1. 准备数据集或使用 fake_imagenet

    ImageNet 是一个图片数据库。数据库中的图片被整理为一个层次结构，该层次结构中的每个节点由成百上千个图片进行描述。

    本教程使用演示版的完整 ImageNet 数据集，该数据集又称为 fake_imagenet fake_imagenet。此演示版本可用于测试教程，同时降低通常与使用完整 ImageNet 数据库运行模型相关的存储和时间要求。

    此 fake_imagenet 数据集位于 Cloud Storage 上的以下位置：

gs://cloud-tpu-test-datasets/fake_imagenet

此 fake_imagenet 数据集仅用于了解如何使用 Cloud TPU 并验证端到端性能。准确率数字和保存的模型并无实际意义。

如果您要使用完整的 ImageNet 数据集，请参阅下载、预处理和上传 ImageNet 数据集。

  1. 使用 gcloud 命令启动 TPU 资源。使用的命令取决于您使用的是 TPU 虚拟机还是 TPU 节点。如需详细了解这两种虚拟机架构，请参阅系统架构。

TPU 虚拟机

gcloud compute tpus tpu-vm create resnet-tutorial \
--zone=us-central2-b \
--accelerator-type=v4-8 \
--version=tpu-vm-tf-2.16.1-pjrt

TPU节点

gcloud compute tpus execution-groups create \
--project=${PROJECT_ID} \
--zoneus-central2-b \
--name=resnet-tutorial \
--disk-size=300 \
--machine-type=n1-standard-16 \
--accelerator-type=v3-8 \
--tf-version=2.12.0

如需详细了解 gcloud 命令，请参阅 gcloud 参考文档。

注意 ：首次在项目上运行 gcloud compute tpus execution-groups 时，大约需要 5 分钟来执行一些启动任务，例如 SSH 密钥传播和 API 启动。

  1. 如果您未自动登录 Compute Engine 实例，请通过运行以下 ssh 命令进行登录。登录虚拟机后，shell 提示符会从 username@projectname 更改为 username@vm-name：

TPU 虚拟机

$ gcloud compute tpus tpu-vm ssh resnet-tutorial --zone=us-central2-b

TPU 节点

$ gcloud compute ssh resnet-tutorial --zone=us-central2-b

要点：从现在起，前缀 (vm) $ 表示您应在 Compute Engine 虚拟机实例上运行该命令。

在您继续按照这些说明操作时，请在虚拟机会话窗口中运行以 (vm)$ 开头的每个命令。

  1. 设置 Cloud TPU 名称变量。

TPU 虚拟机

(vm)$ export TPU_NAME=local

TPU 节点

(vm)$ export TPU_NAME=resnet-tutorial
  1. 设置 Cloud Storage 存储桶变量

设置以下环境变量，将 bucket-name 替换为 Cloud Storage 存储桶的名称：

(vm)$ export STORAGE_BUCKET=gs://bucket-name

(vm)$ export MODEL_DIR=${STORAGE_BUCKET}/resnet-2x
(vm)$ export DATA_DIR=gs://cloud-tpu-test-datasets/fake_imagenet

训练应用预期能够访问您在 Cloud Storage 中的训练数据。在训练期间，训练应用还会使用您的 Cloud Storage 存储桶来存储检查点。

  1. 创建 TPU 时，如果将 --version 参数设置为以 -pjrt 结尾的版本，请设置以下环境变量以启用 PJRT 运行时：
(vm)$ export NEXT_PLUGGABLE_DEVICE_USE_C_API=true
(vm)$ export TF_PLUGGABLE_DEVICE_LIBRARY_PATH=/lib/libtpu.so
  1. 安装 TensorFlow 要求。

使用的命令取决于您使用的是 TPU 虚拟机还是 TPU 节点。

TPU 虚拟机

(vm)$ pip3 install -r /usr/share/tpu/models/official/requirements.txt

TPU 节点

(vm)$ pip3 install --user -r /usr/share/models/official/requirements.txt
  1. ResNet 训练脚本需要额外的软件包。立即安装：
(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3
  1. 切换至存储模型的目录。

TPU 虚拟机

(vm)$ cd /usr/share/tpu/tensorflow/resnet50_keras

TPU 节点

(vm)$ cd /usr/share/models
  1. 设置 PYTHONPATH 环境变量：

TPU 虚拟机

(vm)$ /usr/share/tpu/tensorflow/resnet50_keras"

TPU 节点

(vm)$ export PYTHONPATH="${PYTHONPATH}:/usr/share/models"
  1. 运行训练脚本。该测试使用 fake_imagenet 数据集并训练 ResNet 完成 100 步。

TPU 虚拟机

resnet50.py --tpu=local --data=gs://cloud-tpu-test-datasets/fake_imagenet

TPU 节点

python3 official/vision/train.py \
--tpu=${TPU_NAME} \
--experiment=resnet_imagenet \
--mode=train_and_eval \
--config_file=official/vision/configs/experiments/image_classification/imagenet_resnet50_tpu.yaml \
--model_dir=${MODEL_DIR} \
--params_override="task.train_data.input_path=${DATA_DIR}/train*, task.validation_data.input_path=${DATA_DIR}/validation*,task.train_data.global_batch_size=2048,task.validation_data.global_batch_size=2048,trainer.train_steps=100"

这将对 ResNet 训练 100 步，并将在大约 3 分钟内在 v3-8 TPU 节点上完成。100 个步骤完成后，系统将显示类似于以下内容的输出：

I0624 17:04:26.974905 140457742666816 controller.py:290]  eval | step:    100 | eval time:   23.3 sec | output:
    {'accuracy': 0.0010141226,
     'top_5_accuracy': 0.0051457332,
     'validation_loss': 8.448798}
 eval | step:    100 | eval time:   23.3 sec | output:
    {'accuracy': 0.0010141226,
     'top_5_accuracy': 0.0051457332,
     'validation_loss': 8.448798}

您现已完成单设备训练示例。请按照以下步骤删除当前的单设备 TPU 资源。

  1. 与 Compute Engine 实例断开连接：
(vm)$ exit

您的提示符现在应为 username@projectname，表明您位于 Cloud Shell 中。

  1. 删除 TPU 资源。

TPU 虚拟机

gcloud compute tpus tpu-vm delete resnet-tutorial \
--zone=us-central2-b

TPU 节点

gcloud compute tpus execution-groups delete resnet-tutorial \
--zone=us-central2-b

此时，您可以结束本教程并清理，也可以继续并探索在 Cloud TPU Pod 上运行模型。

使用 Cloud TPU Pod 扩缩模型

在 Cloud TPU Pod 上训练模型可能需要对训练脚本进行一些更改。如需了解详情，请参阅在 TPU Pod 上训练。

TPU Pod 训练

本部分介绍如何为 Pod 训练设置 Cloud Storage 存储桶和 Cloud TPU 资源。

  1. 打开一个 Cloud Shell 窗口。

    打开 Cloud Shell

  2. 为项目 ID 创建一个变量。

export PROJECT_ID=project-id
  1. 配置 Google Cloud CLI 以使用要在其中创建 Cloud TPU 的项目。
gcloud config set project ${PROJECT_ID}

当您第一次在新的 Cloud Shell 虚拟机中运行此命令时，系统会显示 Authorize Cloud Shell 页面。点击页面底部的 Authorize 以允许 gcloud 使用您的凭据进行 Google Cloud API 调用。

  1. 为 Cloud TPU 项目创建服务账号。
gcloud beta services identity create --service tpu.googleapis.com --project $PROJECT_ID

该命令将返回以下格式的 Cloud TPU 服务账号：

service-PROJECT_NUMBER@cloud-tpu.iam.gserviceaccount.com
  1. 使用以下命令创建 Cloud Storage 存储桶，或使用您之前为项目创建的存储桶：
gsutil mb -p ${PROJECT_ID} -c standard -l us-central2 gs://bucket-name

此 Cloud Storage 存储桶存储您用于训练模型的数据和训练结果。本教程中使用的 gcloud 命令会为您在上一步中设置的 Cloud TPU 服务账号设置默认权限。如果您需要更精细的权限，请查看访问级层权限。

存储桶位置必须与 TPU 虚拟机位于同一区域。

  1. 准备数据集或使用 fake_imagenet

ImageNet 是一个图片数据库。数据库中的图片被整理为一个层次结构，该层次结构中的每个节点由成百上千个图片进行描述。

默认的 Pod 训练访问完整的 ImageNet 数据集演示版本，称为 fake_imagenet fake_imagenet 。此演示版本可让您测试 Pod 训练，同时减少通常用完整的 ImageNet 数据库训练模型所占用的存储空间和时间要求。

此 fake_imagenet 数据集仅用于了解如何使用 Cloud TPU 并验证端到端性能。准确率数字和保存的模型并无实际意义。

如果您要使用完整的 ImageNet 数据集，请参阅下载、预处理和上传 ImageNet 数据集。

  1. 使用 gcloud 命令启动 Cloud TPU 资源。

使用的命令取决于您使用的是 TPU 虚拟机还是 TPU 节点。如需详细了解这两种虚拟机架构，请参阅系统架构。如需详细了解 gcloud 命令，请参阅 gcloud 参考文档。本教程指定 v3-32 Pod。如需了解其他 Pod 选项，请参阅 TPU 版本。

TPU 虚拟机

gcloud compute tpus tpu-vm create resnet-tutorial \
--zone=us-central2-b \
--accelerator-type=v4-32 \
--version=tpu-vm-tf-2.16.1-pod-pjrt

TPU 节点

gcloud compute tpus execution-groups create \
--zone=us-central2-b \
--name=resnet-tutorial \
--accelerator-type=v3-32 \
--tf-version=2.12.0
  1. 如果您未自动登录 Compute Engine 实例，请通过运行以下 ssh 命令进行登录。登录虚拟机后，shell 提示符会从 username@projectname 更改为 username@vm-instance-name：

TPU 虚拟机

 $ gcloud compute tpus tpu-vm ssh resnet-tutorial --zone=us-central2-b

TPU 节点

$ gcloud compute ssh resnet-tutorial --zone=us-central2-b

在您继续按照这些说明操作时，请在虚拟机会话窗口中运行以 (vm)$ 开头的每个命令。

  1. 导出 Cloud TPU 设置变量：
export ZONE=us-central2-b
export STORAGE_BUCKET=gs://bucket-name

export TPU_NAME=resnet-tutorial
export DATA_DIR=gs://cloud-tpu-test-datasets/fake_imagenet
export MODEL_DIR=${STORAGE_BUCKET}/resnet-2x-pod

训练应用预期能够访问您在 Cloud Storage 中的训练数据。在训练期间，训练应用还会使用您的 Cloud Storage 存储桶来存储检查点。

  1. ResNet 训练脚本需要额外的软件包。立即安装：

TPU 虚拟机

(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3

TPU 节点

(vm)$ pip3 install --user tensorflow-model-optimization>=0.1.3
  1. 安装 TensorFlow 要求。

使用的命令取决于您使用的是 TPU 虚拟机还是 TPU 节点。

TPU 虚拟机

(vm)$ pip3 install -r /usr/share/tpu/models/official/requirements.txt

TPU 节点

(vm)$ pip3 install --user -r /usr/share/models/official/requirements.txt
  1. 设置 PYTHONPATH 环境变量：

TPU 虚拟机

export PYTHONPATH="PYTHONPATH=/usr/share/tpu/tensorflow/resnet50_keras"
export TPU_LOAD_LIBRARY=0

TPU 节点

export PYTHONPATH="${PYTHONPATH}:/usr/share/models"
  1. 切换至存储模型的目录。

TPU 虚拟机

(vm)$ cd /usr/share/tpu/tensorflow/resnet50_keras

TPU 节点

(vm)$ cd /usr/share/models
  1. 训练模型。
(vm)$ resnet50.py --tpu=${TPU_NAME} --data=gs://cloud-tpu-test-datasets/fake_imagenet

此过程使用 fake_imagenet 数据集对模型进行训练，使其包含 100 个训练步骤和 13 个评估步骤。此训练在 v3-32 Cloud TPU 上大约需要 2 分钟。训练和评估完成后，系统将显示类似如下的消息：

{'accuracy': 0.0009716797,
     'learning_rate': 0.10256411,
     'top_5_accuracy': 0.0049560545,
     'training_loss': 8.5587225}
train | step:    100 | steps/sec:    1.2 | output:
    {'accuracy': 0.0009716797,
     'learning_rate': 0.10256411,
     'top_5_accuracy': 0.0049560545,
     'training_loss': 8.5587225}

eval | step:    100 | eval time:   24.8 sec | output:
    {'accuracy': 0.0010141226,
     'top_5_accuracy': 0.004356971,
     'validation_loss': 8.50038}
 eval | step:    100 | eval time:   24.8 sec | output:
    {'accuracy': 0.0010141226,
     'top_5_accuracy': 0.004356971,
     'validation_loss': 8.50038}

后续步骤

TensorFlow Cloud TPU 教程通常使用示例数据集来训练模型。此训练的结果无法用于推理。如需使用模型进行推理，您可以在公开数据集或您自己的数据集上训练模型。在 Cloud TPU 上训练的 TensorFlow 模型通常需要数据集采用 TFRecord 格式。

您可以使用数据集转换工具示例将图片分类数据集转换为 TFRecord 格式。如果您使用的不是图片分类模型，则必须自行将数据集转换为 TFRecord 格式。如需了解详情，请参阅 TFRecord 和 tf.Example。

超参数调优

如需使用数据集提高模型的性能，您可以调整模型的超参数。您可以在 GitHub 上找到所有 TPU 支持模型通用的超参数信息。您可以在每个模型的源代码中找到有关模型特有超参数的信息。如需详细了解超参数调节，请参阅超参数调节概览和调节超参数。

推理

训练完模型后，您可以使用它进行推理（也称为预测）。您可以使用 Cloud TPU 推理转换器工具准备和优化 TensorFlow 模型，以在 Cloud TPU v5e 上进行推断。如需详细了解 Cloud TPU v5e 上的推断，请参阅 Cloud TPU v5e 推断简介。

  • 运行 Cloud TPU colab，演示如何使用您自己的图片数据训练图片分类模型。
  • 浏览其他 Cloud TPU 教程。
  • 学习 TensorBoard 中 TPU 监控工具的使用方法。
  • 运行 ResNet 示例以验证大型模型的性能。

文章来源：google cloud

推荐阅读

更多芯擎AI开发板干货请关注芯擎AI开发板专栏。欢迎添加极术小姐姐微信（id:aijishu20)加入技术交流群，请备注研究方向。

极术社区
关注
专栏目录
无人驾驶汽车系统入门（二十九）——使用TensorFlow Object Detection API分别在GPU和Google Cloud TPU上训练交通信号灯检测神经网络
AdamShan的博客
03-17 7580
本文将解决如何使用TensorFlow Object Detection API训练交通信号灯检测网络，使用Lisa数据集，通过简单脚本将数据集整理为tf record格式，我们将分别在本地的GPU和Google Cloud提供的TPU上进行训练，最后导出网络的protocbuf权重，在jupyter notebook中进行模型验证。 首先感谢谷歌TensorFlow Research Clo...
【Tensorflow教程笔记】使用 TPU 训练 TensorFlow 模型
nanke_4869的博客
03-02 6283
Tensorflow教程笔记 基础 TensorFlow 基础 TensorFlow 模型建立与训练 基础示例：多层感知机（MLP） 卷积神经网络（CNN） 循环神经网络（RNN） 深度强化学习（DRL） Keras Pipeline 自定义层、损失函数和评估指标 常用模块 tf.train.Checkpoint ：变量的保存与恢复 常用模块 TensorBoard：训练过程可视化 常用模块 tf.data ：数据集的构建与预处理 常用模块 TFRecord ：TensorFlow 数据集存储格式 常用
在 Cloud TPU 上训练 (TF 2.x)
weixin_47569031的博客
08-27 579
在 Cloud TPU 上训练 (TF 2.x)
在 Cloud TPU 上训练 EfficientNet (TF 2.x)
weixin_47569031的博客
08-29 758
本部分介绍如何使用单个 Cloud TPU 设备配置 Cloud TPU 资源和训练 EfficientNet 模型。
在 Cloud TPU 上训练 ShapeMask (TF 2.x)
weixin_47569031的博客
09-02 1150
在 Cloud TPU 上训练 ShapeMask (TF 2.x)
在 Cloud TPU 上训练 Mask RCNN (TF 2.x)
weixin_47569031的博客
09-03 1053
在 Cloud TPU 上训练 Mask RCNN (TF 2.x)
在 Cloud TPU 上训练 RetinaNet (TF 2.x)
weixin_47569031的博客
08-30 1147
使用集合让一切井井有条 根据您的偏好保存内容并对其进行分类。
在 Cloud TPU Pod 上训练 PyTorch 模型
weixin_47569031的博客
09-06 797
在 Cloud TPU Pod 上训练 PyTorch 模型
使用 PyTorch 在 Cloud TPU 上训练 Resnet50
weixin_47569031的博客
08-28 696
本教程介绍如何使用 PyTorch 在 Cloud TPU 设备上训练 ResNet-50 模型。您可以将同一模式应用于使用 PyTorch 和 ImageNet 数据集的其他针对 TPU 进行了优化的图片分类模型。
在 Cloud TPU 上运行 MNIST (TF 2.x)
weixin_47569031的博客
08-23 1023
本教程包含 MNIST 模型的简要说明、有关下载 MNIST TensorFlow TPU 代码示例的说明，以及在 Cloud TPU 上运行代码的指南。
如何为 Cloud TPU 编写自定义估算器模型
TensorFlowers的博客
09-19 954
文 / Google Cloud Platform 技术主管 Lak Lakshmanan (@lak_gcp) 来源 | TensorFlow 公众号 张量处理单元 (TPU) 可加速处理 Google 内各种机器学习工作负载，并可供 Google Cloud 客户使用。您可以在 Cloud TPU 参考模型存储区找到启用 TPU 的顶尖图像模型版本，例如 ResNet 和 AmoebaNet；...
使用 Eager Execution 编码并运行图表：以通过 RevNet 优化代码为例
TensorFlowers的博客
08-30 612
文 / 软件工程实习生 Xuechen Li 来源： TensorFlow 公众号 Eager Execution 可简化 TensorFlow 中的模型构建体验，而 Graph Execution 可提供优化，以加快模型运行速度及提高存储效率。本篇博文展示了如何编写 TensorFlow 代码，以便将借助 tf.keras API 并使用 Eager Execution 构建的模型转换为图表...
详解 TensorFlow TFLite 移动端（安卓）部署物体检测 demo（3）——训练模型
Abandon_first的博客
06-30 2020
详解 TensorFlow TFLite 移动端（安卓）部署物体检测 demo（3）——替换数据集训练 ssd mobilenet v2
探讨Facebook的AI研究：未来社交平台的技术前瞻
LokiSan的博客
10-29 1833
在数字时代，社交媒体已成为人们日常生活的重要组成部分。作为全球最大的社交网络之一，Facebook不断致力于人工智能（AI）的研究与应用，以提升用户体验、增强平台功能并推动技术创新。本文将探讨Facebook在AI领域的研究方向及其对未来社交平台的潜在影响。
自助餐剩余食品识别图像分割系统：教学内容全覆盖
sgcsdn99的博客
11-04 1364
数据集信息展示在本研究中，我们使用的数据集名为“9_5_Merged”，该数据集专门用于训练改进YOLOv8-seg的自助餐剩余食品识别图像分割系统。该数据集包含71个类别，涵盖了丰富多样的食品种类，旨在提高模型对不同类型剩余食品的识别和分割能力。通过对这些类别的细致划分，我们希望能够实现更高精度的图像分割，进而优化自助餐剩余食品的管理和利用。
UOS AI 1.6 版本升级，如何实现精准搜索，效率翻倍？
vickynesss的博客
11-01 844
通过直接接入互联网的实时数据流，搜索结果变得多样化，不仅限于文字总结，还包括思维导图、事件与人物的综合概述，以及图片、视频、音频等多种形式，显著提高了回答的准确性和全面性。全局搜索全新搭载端侧大模型：支持离线自然语言搜索，无论身在何处，即使没有网络，只需通过快捷键“Shift+space(空格键）”唤醒全局搜索，都能轻松找到所需文件。：对于日常积累的海量截图，只需借助全局搜索功能，简要描述图片内的文字信息，便能迅速锁定并检索到所需图片。：重要信息直接添加到知识库，方便日后查阅，让全局搜索成为你的第二大脑。
如何在 AI 时代打造你的核心竞争力？
玉树芝兰
11-01 820
（注：本文为小报童精选文章。已订阅小报童或加入知识星球「玉树芝兰」用户请勿重复付费）焦虑在《AI 研究已摘得诺奖桂冠，普通科研工作者将何去何从？》一文中我谈过自己对目前 AI 技术浪潮对大众影响的体会——未来已来，只是分布不均。很多人在还没有意识到 AI 带来的变革潜能时，觉得与自己无关，日子该怎么过怎么过，倒也轻松。而一旦突然意识到 AI 的重要性，就会变得焦虑万分。这种焦虑，就是挣扎与思考在外...
AI代币是什么？AI与Web3结合的未来方向在哪里？
BlockOne11的博客
10-30 1638
近两年随着人工智能的崛起，AI已经渗透到制造业、电商、广告、医药等各个行业，加密货币领域也不例外，人工智能与区块链的融合，让我们看到了独特的数字资产 — AI加密代币。它的流行始于2022年底，随着OpenAI智能聊天机器人ChatGPT的火爆，许多人意识到，人工智能不再只是出现在电影里面，更多的应用已经照进现实，AI已经作为一种高效的生产力应用到实际的产业中。人工智能狂热也影响了机构巨头。例如，谷歌宣布将着手开发自己的人工智能聊天机器人 Bard。
Bert快速入门
最新发布
qq_36070104的博客
11-06 816
Python 语言 BERT 入门：让我们一起“吃透”BERT
resnet152tensorflow2.x实现图片分类
05-13
在训练模型后，可以使用模型的evaluate()方法来计算其在测试集上的精度，然后可以将模型保存到文件中，以便后续使用。 总之，通过将ResNet152模型与TensorFlow 2.x框架相结合，可以实现对图像分类的任务。在实现...
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
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