tensorflow

道一235 小时前
人工智能·tensorflow·keras
Keras/TensorFlow 中 `predict()` 函数详细说明predict() 是 Keras/TensorFlow 中用于模型推理的核心方法,用于对输入数据生成预测输出。下面我将从多个维度全面介绍这个函数的用法和细节。
陌北v114 小时前
pytorch·深度学习·tensorflow·paddlepaddle
深度学习三大框架对比评测:PaddlePaddle、PyTorch 与 TensorFlow近年来,人工智能的快速发展离不开深度学习框架的支撑。一个优秀的框架不仅能提升研发效率,还能降低模型落地的难度。目前,业界主流的开源深度学习框架主要有 PaddlePaddle、PyTorch 和 TensorFlow。本文将从 生态、易用性、性能、产业化支持 等角度对三大框架进行对比,帮助读者更好地理解其特点与应用场景。
我是海飞15 小时前
人工智能·python·tensorflow·语音识别·neo4j
TensorFlow的Yes/No 关键词识别模型训练参考 TensorFlow 官方教程的 Yes/No 关键词识别模型训练脚本,可以生成直接替换原有mirco_speech识别模型数据的C文件。
deepwater_zone1 天前
pytorch·深度学习·tensorflow
深度学习框架(TensorFlow,PyTorch)
新手村领路人2 天前
人工智能·windows·tensorflow
TensorFlow 2.10 是最后一个支持在原生Windows上使用GPU的TensorFlow版本注意:TensorFlow 2.10 是最后一个支持在原生Windows上使用GPU的TensorFlow版本。从TensorFlow 2.11开始,您需要在WSL2中安装TensorFlow,或者安装tensorflow或tensorflow-cpu,并且可选地尝试TensorFlow-DirectML插件
盼小辉丶2 天前
pytorch·深度学习·tensorflow
PyTorch实战(3)——PyTorch vs. TensorFlow详解PyTorch 是一个基于 Torch 库的 Python 机器学习库,广泛用于深度学习的科研和应用开发,主要由 Meta 开发。PyTorch 是另一个知名深度学习库 TensorFlow (由 Google 开发)的有力竞争者,最初,这两者的主要区别在于,PyTorch 基于即时执行 (eager execution),而 TensorFlow 1.x 基于图计算的延迟执行 (deferred execution),但现在 TensorFlow2.x 也提供了即时执行模式。 即时执行基本上是一种命令式
秃头小饼干2 天前
pytorch·深度学习·tensorflow
PyTorch 实战(3)—— PyTorch vs. TensorFlow:深度学习框架的王者之争本文将带你深入剖析 PyTorch 和 TensorFlow 的方方面面,通过对比它们的核心概念、代码风格、部署方式等,帮助你做出最适合自己项目和团队的选择。
SugarPPig21 天前
人工智能·tensorflow·transformer
TensorFlow 和 Transformer 的关系我们需要清晰地区分框架(Framework)和模型架构(Model Architecture)。PyTorch 和 TensorFlow 的底层是用于张量计算和自动求导的计算库,而不是 Transformer 架构。
weixin_4569042722 天前
人工智能·分类·tensorflow
基于Tensorflow2.15的图像分类系统下图所示的是一个图像分类系统,理论上也支持其他场景的图像分类需求,以花卉分类为例,可在界面上选择数据集,自动化划分数据集,配置训练时的迭代次数 学习率等超参数,即可进行训练,训练完成后可对模型进行测试,输出混淆矩阵,支持单站图片预测和批量预测,核心代码如下所示: 目前界面还在完善中,请各位看官敬请谅解
麦兜*24 天前
java·人工智能·spring boot·spring cloud·ai·tensorflow·ai编程
内存杀手机器:TensorFlow Lite + Spring Boot移动端模型服务深度优化方案|组件|技术选型|内存优化策略|性能指标| |模型路由|Spring Cloud Gateway|LRU缓存最近使用模型|路由延迟<5ms| |模型加载器|TensorFlow Lite + JNI|内存映射文件加载|加载时间<100ms| |推理引擎|TFLite Interpreter|内存复用机制|推理延迟<50ms| |结果处理器|Jackson + Protobuf|流式输出|序列化时间<10ms| |内存池|Netty ByteBuf|对象池+内存预分配|内存碎片率<5%|
A5rZ25 天前
前端·css·tensorflow
css leak -- justctf 2025 Simple Tasksfrom表单,会默认携带同源cookie,我们可以利用这一点让在admi的账号中添加taskCSS 变量(也称为自定义属性)是 CSS 中用于存储可重用值的强大工具,语法简洁且功能灵活。
盼小辉丶1 个月前
深度学习·tensorflow·自监督学习
TensorFlow深度学习实战(29)——自监督学习(Self-Supervised Learning)监督学习 (Supervised Learning) 技术面临的最大问题是收集带标签的训练数据所需的时间和成本,因此,带标签的数据集通常相对较小。虽然深度学习能够自动完成特征工程,而无需像传统模型那样手动选择数据特征,但深度学习模型通常需要比传统(非深度学习)模型更多的数据进行训练。深度学习模型往往更复杂,拥有更多的可学习参数,然而,更复杂的模型也需要更多的数据来进行训练。由于构建带标签的训练数据的成本很高,这在一定程度上限制了使用监督学习扩展深度学习模型的能力。 自监督学习 ( Self-Supervi
斯~内克1 个月前
前端·css·tensorflow
CSS包含块与百分比取值机制完全指南在CSS布局的世界中,**包含块(Containing Block)**是一个基础但至关重要的概念。它就像是一个隐形的参考框架,决定了元素如何定位、尺寸如何计算以及百分比值如何解析。许多CSS开发者在使用百分比单位时遇到的"奇怪"行为,往往源于对包含块机制理解不够深入。
盛夏绽放1 个月前
css·tensorflow·less
原生CSS vs LESS:样式表语言的进化之旅想象一下,你正在建造一座房子。原生CSS就像手工切割每一块木板、测量每一个钉子位置。而LESS则像拥有了电动工具和预制构件,让你工作效率大幅提升!LESS是一种CSS预处理器,它扩展了CSS语言,增加了变量、嵌套规则、混合宏等特性,让编写样式变得更高效、更易维护。
一年春又来1 个月前
人工智能·深度学习·tensorflow
AI-03a1.Python深度学习-Tensorflow和Keras入门Numpy 数组和 Tensorflow 张量的不同:NumPy 数组是可赋值的, TensorFlow 张量是不可赋值的
盼小辉丶1 个月前
深度学习·tensorflow·生成模型
TensorFlow深度学习实战(28)——扩散模型(Diffusion Model)与生成对抗网络 (Generative Adversarial Network, GAN)一样,扩散模型是过去十年中最有影响力的生成模型技术之一。在许多基准测试中,当前的扩散模型已经超过了以往最先进的 GAN 模型,并迅速成为生成模型的首选。事实上,扩散来源于热力学扩散。同时,基于评分的生成模型领域(即能量模型)也取得了重要的进展,其直接估计对数分布的梯度(也称为评分函数),以训练模型。噪声条件得分网络 (Noise Conditional Score Network, NCSN) 使用多尺度噪声扰动应用
程序员秘密基地1 个月前
python·cnn·tensorflow·lstm·推荐算法
基于html,css,jquery,django,lstm,cnn,tensorflow,bert,推荐算法,mysql数据库【基于html,css,jquery,django,lstm,cnn,tensorflow,推荐算法,mysql数据库,在线文本推荐分析系统-哔哩哔哩】 https://b23.tv/YrUsky1
lishaoan771 个月前
人工智能·分类·tensorflow·目标分类
tensorflow目标分类:分绍(一)这一章我们看一下用神经网络进行图像处理的高级任务。我们看一下语义分割,定位,检测,实例分割。这一章不是让你成为专家,而是给你提供足够的信息来理解算法并读原始的论文,因为读者可以很容易的读这个主题的许多相关书。希望在本章结束你可以理解不同的方法的区别,能直观的理解这些方法的构件。这些算法需要很多高级的技术,比如多个损失函数,多任务学习。本章我们还要看一些技术。注意有些方法的原始论文是多年前的,要掌握主题,你要亲自读一下原论文。
闲看庭前梦落花1 个月前
人工智能·python·tensorflow
Tensorflow实现手写数字识别
我不是小upper1 个月前
人工智能·pytorch·深度学习·conda·tensorflow·pip
anaconda、conda、pip、pytorch、torch、tensorflow到底是什么?它们之间有何联系与区别?当今计算机科学领域,尤其是数据科学、人工智能和深度学习的蓬勃发展,出现了众多工具与框架,用以简化开发过程、提升效率、促进算法的实现。理解这些工具的本质及相互关系,是深入掌握现代机器学习技术的前提。其中,conda、anaconda、pip、torch、pytorch、tensorflow在科学计算和机器学习生态中分别扮演怎样的角色?彼此之间有何联系与区别?在实际项目和研发流程中,如何合理选择并有效利用?