tensorflow

Fashion-MNIST 图像分类实战：TensorFlow 五模型对比与 Flask 可视化**本文源码+数据集：**通过网盘分享的文件：服装图像分类模型对比与可视化系统研究-相关资料.zip 链接: https://pan.baidu.com/s/1r_xZ41SJf2DYwOucrgnvpw 提取码: cp52

智码看视界

深度学习:环境搭建PyTorch vs TensorFlow 选型"我的代码在别人机器上能跑，在我这儿就报 CUDA 错"——这是几乎所有深度学习初学者踩过的坑。框架选型和环境配置看似是进入深度学习的"第一步"，却往往消耗掉新手最多的耐心。本文不堆砌参数，而是从开发体验和落地链路两条主线，把 PyTorch 与 TensorFlow 的取舍讲清楚，并附上一份可直接照抄的 CUDA 踩坑清单。

GPU实战笔记

TensorBoard 空面板排查：日志写入、--logdir 与访问入口分层在一个 TensorBoard 使用问题中，训练者移动过日志文件，随后打开 TensorBoard，却发现没有可用的可视化面板。排查过程中，日志目录与访问端口都成了怀疑对象。

多任务权重流形融合：SLERP 球形线性插值、DARE 稀疏剪枝与多专家模型融合落地专栏名称：《QNL-36：从量子张量网络到端侧异构认知大模型全栈实战》分卷归属：卷五·流形融合、DPO 对齐与量化感知微调（Volume V: Manifold Fusion, DPO Alignment & QAT）文档编号：QNL-36-VOL05-ART20 主笔专家：QNL-019 SLERP-MERGE（流形融合专家）· QNL-017 LORA-MANIFOLD（低秩流形架构专家）联署质检：QNL-031 VRAM-GUARD（显存守卫架构师）· QNL-008 DYNAMIC-GRAP

liangshanbo1215

什么是CSS原子化？它的优劣势是什么？CSS 原子化就是把一个个具体 CSS 属性拆成职责单一的工具类，通过组合这些工具类来完成组件样式。例如传统 CSS：

HTML系列教程：18_HTML / CSS 颜色零基础详解在网页中，文字、背景、边框都需要设置颜色。HTML 本身不处理颜色，颜色全部写在 CSS 里。一共有 4 种写颜色的写法：

落魄大学生之流水线上谋生计

ROS2从0到企业级完整教程ROS2（Robot Operating System 2）是ROS的第二代版本，是一个用于机器人软件开发的灵活框架。它提供了操作系统应有的服务，包括硬件抽象、底层设备控制、常用功能实现、进程间消息传递以及包管理等。

第48课：TensorFlow｜TF模型线上部署入门【本地服务封装、接口快速开发】模型服务通常以HTTP/REST或gRPC协议对外提供API。客户端发送请求（图像、文本等），服务端进行预处理、模型推理、后处理，返回结果。架构要点：

第49课：TensorFlow｜项目性能调优全方案【训练提速、推理提速、资源占用优化】在优化前，必须先量化瓶颈。推荐工具：使用float16存储和计算，而主权重保持float32。加速原因：FP16运算速度快，减少显存带宽。在Volta及以上架构GPU上，Tensor Core可大幅加速矩阵乘法。

第45课：TensorFlow｜异常检测实战【工业设备数据故障识别模型搭建】异常是指与其他数据分布显著不同的样本。异常检测的目标是识别这些少数样本。根据标签可用性分为：工业场景通常为半监督：我们有大量正常设备运行数据，故障数据稀缺。因此本课重点采用半监督方法。

第42课：TensorFlow｜计算机视觉实战二【图像分割基础流程与数据标注规范】语义分割（Semantic Segmentation）：为图像中的每个像素分配一个类别标签（如道路、行人、背景），不同实例不区分。输出是单通道的类别图。

第40课：TensorFlow｜模型推理部署前置知识【离线推理、接口调用基础】离线推理：对一批数据集中运行模型，输出结果存储到文件或数据库。常见场景：每日生成用户画像、批量数据分析。优点：可以充分利用硬件资源进行批量处理；缺点：实时性差。

第38课：TensorFlow｜可视化工具TensorBoard全用法【日志写入、指标监控、网络可视化】TensorBoard通过读取TensorFlow训练过程中生成的日志文件（events文件）来展示图表。日志中记录了标量、直方图、图结构、嵌入向量等数据。

第34课：TensorFlow｜TF迁移学习实战【调用官方预训练模型微调训练】TensorFlow内置了多种在ImageNet上预训练的模型，包括：每个模型可通过tf.keras.applications.{model_name}加载，常用参数：

第26课：TensorFlow｜循环神经网络RNN原理【时序数据处理、序列依赖关系讲解】序列数据是元素按时间或逻辑顺序排列的数据，例如文本（单词序列）、语音（帧序列）、股票价格（每日值）。其关键特性是前后依赖，即当前时刻的值与过去时刻的值相关。

第24课：TensorFlow｜图像分类实战训练【手写数字、日常图像分类完整项目】对于小数据集，数据增强可显著提升泛化能力。常见策略：在TensorFlow中，可使用tf.image或Keras的预处理层（RandomFlip, RandomRotation等）。注意：验证集和测试集只做归一化，不做随机增强。

机器学习及其Python实践机器学习及其实践机器学习及其实践通过计算机程序去做获取数据的行为, 之后进行处理, 再接着分析, 还要进而理解数据, 借此识别出数据里存在的模式与规律, 并且利用这些知识来做出智能决策或者预测未来, 这被称作机器学习。近年来, 伴随社会信息化进程加快, 机器学习领域受到广泛关注, 还得到了广泛研究, 其已经在图像处理、语音识别、文本处理、推荐系统等多个领域有着广泛应用。

Python TensorFlow对比PyTorch_Python TensorFlow和PyTorch在机器学习中的差异究研与速快代迭更适配, 因着其动态图、API以及主导的学术生态；于生产部署、多端支持和企业级工具链方面更成熟。

[Python人工智能] 九.gensim词向量Word2Vec安装及《庆余年》中文短文本相似度计算一开始是从这个专栏着手的, 作者正式开启了对于深度学习、神经网络以及人工智能相关知识的研习。之前的一篇详尽阐释了卷积神经网络CNN的原理, 并且借助编写CNN达成了MNIST分类学习的案例。在这篇文章里, 将会把词向量的安装、基础用法予以分享, 还会实现《庆余年》中文短文本相似度的计算以及好几个案例。这个专栏主要是结合作者先前的博客、AI经验以及相关文章和论文的介绍, 往后随着深入会讲解更多的人工智能案例以及应用。

小江的记录本

【CSS】CSS 核心：盒模型、BFC/IFC、Flex/Grid 布局、响应式布局、移动端适配（附《思维导图》）CSS 布局体系从基础盒模型到现代二维布局，再到多端适配，形成了一套完整的「基础渲染规则 → 布局方案 → 多端适配」的知识层级。以下从六大核心模块进行系统性梳理。