tensorflow

【基于 TensorFlow+CNN 的水果图像识别系统设计与实现】本文详细介绍如何基于 TensorFlow 2.x 深度学习框架，从零构建一个卷积神经网络（CNN）模型，实现对苹果、香蕉、葡萄、橙子、梨五种常见水果的精准识别。文章将深入解析数据增强策略、CNN 网络架构设计、训练过程可视化（准确率/损失曲线），并重点通过混淆矩阵（Confusion Matrix）对模型性能进行深度评估，最后基于 Flask + AJAX 实现 Web 端的无刷新可视化部署。

Java后端的Ai之路

【神经网络基础】-TensorFlow Serving官方的生产级模型部署TensorFlow Serving 是 TensorFlow 官方的生产级模型部署系统，专门为机器学习模型的高性能推理服务设计。它可以将训练好的模型（SavedModel格式）封装为可通过 REST API 或 gRPC 调用的服务。

学习是生活的调味剂

在大模型开发中，是否需要先完整学习 TensorFlow，再学 PyTorch？在大模型开发中，是否需要先完整学习 TensorFlow，再学 PyTorch？其实都可以学，但关键在于顺序。更高效的做法是：先掌握 transformers 等高级库的基本使用，学会如何调整超参数。等模型调优有一定成果后，若希望更进一步，再去研究 TensorFlow、PyTorch 这类底层框架。

【TextIn大模型加速器 + 火山引擎】TextIn大模型加速器与火山引擎协同构建智能文档处理新范式在当今数字化时代，企业运营过程中产生和处理的文档数量呈爆发式增长，这些文档承载着企业的核心业务信息、知识资产以及决策依据。然而，随着企业业务的多元化和全球化拓展，文档处理面临着前所未有的挑战。跨国集团在全球范围内开展业务，各地分公司的文档呈现出多语言、多格式的碎片化特点，这使得传统的光学字符识别（OCR）技术与翻译链路在处理这些文档时显得力不从心。不仅处理流程冗长繁琐，而且错误率居高不下，严重影响了信息的准确性和业务的高效开展。

【Python TensorFlow】 TCN-BiGRU时间序列卷积双向门控循环神经网络时序预测算法（附代码）资源下载：https://download.csdn.net/download/vvoennvv/92521369

BoostKit TensorFlow 性能优化源码深度解析TensorFlow 是业界最流行的深度学习框架之一，但在 ARM64 架构（如华为鲲鹏处理器）上，原生的 TensorFlow 往往无法发挥硬件的极致性能。主要痛点包括：

AI 系统核心组件解析：TensorFlow/PyTorch/ONNX Runtime 怎么用？核心提要：本文聚焦 AI 系统三大核心组件——PyTorch（灵活易用的训练框架）、TensorFlow（工程化友好的训练与部署框架）、ONNX Runtime（跨框架高性能推理引擎），通过“核心定位+特性拆解+入门实操+适用场景+协同流程”的逻辑，清晰解析各组件的本质与用法，同时给出三者联动的实战方案，帮助新手快速掌握 AI 模型从训练到推理部署的完整技术链路。

大叔_爱编程

基于深度神经网络的课程教学评价系统-django系统展示系统首页用户注册评价数据个人中心管理员登录管理员功能界面用户管理评价数据评价预测交流论坛举报记录

TensorFlow 开发环境搭建指南：Anaconda 与 Miniconda 抉择及环境搭建步骤1. 环境管理工具介绍 2. Miniconda 安装 3. 配置开发环境 4. 环境管理技巧

程序员龙语

CSS 盒模型与文档流CSS 盒模型（Box Model）是网页布局的核心基础，文档流则决定了元素在页面中的默认排列规则。本文系统梳理了 CSS 文档流的特性、盒模型的组成结构（内容区、内边距、边框、外边距）及各部分的具体设置方法，并结合实战案例讲解边框样式、圆角、自定义三角形等高频应用场景，帮助初学者快速掌握网页布局的核心逻辑，规避常见的布局陷阱。

一棵开花的树，枝芽无限靠近你

【face-api.js】1️⃣基于Tensorflow.js的人脸识别项目开源项目前言：从本篇文章开始学习一个人脸识别开源项目face-api.js。 tensorflow 是一个用于使用 JavaScript 进行机器学习开发的库。不得不说，JavaScript真的潜力无穷啊！我觉得最好的学习方式，就是基于开源项目学习。所以找了一个挺有意思的开源项目，face-api.js研究一下。

【AI 学习】LangChain框架深度解析：从核心组件到企业级应用实战在大语言模型（LLM）产业化落地的浪潮中，单纯依赖LLM原生API已难以支撑复杂应用场景的开发需求。LangChain作为一款专注于LLM应用开发的开源框架，通过“组件化封装+流程化编排”的核心思想，打通了LLM与外部数据、工具的连接通道，大幅降低了智能应用的开发门槛。本文采用总分总编写模式，从LangChain的基础认知出发，逐步深入核心架构、核心组件、实战开发、高级特性及生态集成，结合理论讲解与可运行代码示例，系统梳理关键知识点。最后将通过专章总结全文核心内容、进行知识点扩展，并推荐优质阅读资料，助力

新鲜势力呀

TensorFlow 中 tf.placeholder 适用版本解析｜附 PHP 调用 TF 模型实战（兼容低版本）tf.placeholder 是 TensorFlow 1.x 时代的核心特性，作为计算图模式下的 “输入占位符”，曾是构建深度学习模型输入层的标准方式。但随着 TensorFlow 2.x 的发布，默认启用的 Eager Execution（即时执行）模式彻底改变了模型开发逻辑，tf.placeholder 也随之被逐步替代。本文将系统梳理 tf.placeholder 的适用版本边界、版本适配技巧，并通过 “Python 搭建 TF 模型服务 + PHP 客户端调用” 的实战案例，完整演示兼容 tf.

PyTorch的分布式训练策略：DDP + DeepSpeed + TensorFlow的分布式训练策略：MirroredStrategy3D并行：①、数据并行：把一批数据拆成N份（N=GPU数量），每张GPU算1份数据的“前向+反向传播”，算出各自的梯度后同步平均，再用这个平均梯度更新所有GPU的模型参数（保证所有卡模型一致）

智能体在车联网中的应用：第13天深度学习入门：前向传播与反向传播的数学本质与PyTorch/TensorFlow实践在人工智能的浪潮中，深度学习已成为推动技术变革的核心动力。无论是最新的国产D20 AI加速卡宣称支持千亿参数大模型部署，还是我们日常使用的图像识别、语音助手，其底层都离不开一个基础而强大的计算模型——多层感知机（MLP）。理解MLP，关键在于掌握其两个核心的生命周期：前向传播（Forward Propagation）与反向传播（Backpropagation）。本文将从数学原理入手，深入剖析这两个过程，并手把手教你使用PyTorch和TensorFlow构建你的第一个MLP模型，为你的深度学习之旅打下

serve the people

TensorFlow 2.0 手写数字分类教程之SparseCategoricalCrossentropy 核心原理(一)SparseCategoricalCrossentropy（稀疏类别交叉熵）是 TensorFlow/Keras 中针对多分类任务的损失函数，专为稀疏标签（整数型标签，如 0,1,2）设计，核心作用是衡量模型输出的类别概率分布与真实稀疏标签的「差异」，本质是交叉熵（Cross-Entropy）在稀疏标签场景下的优化实现。

serve the people

tensorflow tf.nn.softmax 核心解析tf.nn.softmax 是 TensorFlow 中实现Softmax 激活函数的核心接口，核心作用是将一组「未归一化的原始得分（logits）」转换为概率分布，满足两个关键特性：

serve the people

TensorFlow 2.0 手写数字分类教程之SparseCategoricalCrossentropy 核心原理(二)tf.keras.losses.SparseCategoricalCrossentropy，核心是记住它的「作用」和「使用场景」，不用纠结复杂推导～

serve the people

TensorFlow 2.0 手写数字分类教程之SparseCategoricalCrossentropy 核心原理(三)用「通俗例子+公式拆解+逐步代入计算」的方式，把数学公式讲透——每一步都不跳，每个符号都解释，全程紧扣你已经懂的通俗逻辑，让公式成为“看得见、算得清”的工具，而不是抽象符号～

serve the people

TensorFlow 2.0 手写数字分类教程之SparseCategoricalCrossentropy 核心原理(四)我们要解决的问题：单独算 Softmax 时，logits 里有大数值（比如 1000），会导致 e^z 溢出（变成 inf），后续计算全错。优化目标：不单独算 Softmax，而是把「Softmax + 交叉熵」的计算合并，通过数学变换绕开溢出。