登录社区云，与社区用户共同成长
邀请您加入社区
本篇是我训练营TensorFlow 篇的第 1 次学习，主要目标是使用 TensorFlow 完成MNIST 手写数字识别——和 PyTorch 篇 P1 周完全相同的任务、完全相同的数据集、几乎完全相同的网络结构（LeNet-5 风格 CNN）。所以本周最重要的学习重点不是重新理解什么是卷积层、池化层，而是理解：TensorFlow 和 PyTorch 虽然代码写法不同，但底层完成的是同一套深度
Tensorflow Lite官方在移动端提供了官方编译好的库，我们直接拿来用就好。Tensorflow 在Linux平台与Mac平台下编译也非常轻松，基本不会遇到太多问题（据说Google内部只用Linux与Mac）。但是在Windows下编译真是一波三折，好在已经编译成功了，记录一下Windows 10下Tensorflow Lite编译过程，帮助一下跟我一样被Tensorflow折腾的不行的
安装python后出现：Fatal Python error: Py_Initialize: unable to load the file system codec. ImportError: No module named ‘encodings’很有可能是之前安装过python的其他版本，现在版本升级或者降级，会出现这个bug。解决方法：1.找自己电脑上有没有其他版本的Python，如果有就卸
利用 TensorFlow，通过构建三层卷积神经网络（CNN）实现猴痘病识别。数据集中有 Monkeypox、Others 两类数据，每类数据 1,100 张左右的图片。
传统方式使用Conv2D等预置层虽便捷，但在面对特定任务（如轻量化部署、注意力机制集成）时显得力不从心。自定义层不仅让你掌握底层逻辑，还能显著提升模型灵活性和性能表现。基于ResNet结构改进的轻量图像分类器，目标是在保持准确率的同时减少参数量。# 卷积路径strides=1,# 下采样路径（用于匹配维度）x = inputs# 主路径# 残差连接```> ✅ 这个自定义层支持动态下采样（stri
（Google Brain）开发和维护，拥有包括TensorFlow Hub、TensorFlow Lite、TensorFlow Research Cloud在内的多个项目以及各类。（dataflow programming）的符号数学系统，被广泛应用于各类。（machine learning）算法的编程实现，其前身是。，被广泛应用于谷歌内部的产品开发和各领域的科学研究。ensorflow模型训
利用 TensorFlow，通过构建三层卷积神经网络（CNN）实现明星识别。
标准的虽然强大，但在特定场景下（如小样本、高维特征提取）可能不够灵活。通过自定义Layer类动态权重调整特征通道注意力机制多尺度融合模块这正是我们本次实践的核心创新点！# 创建三个不同大小的卷积核进行多尺度感知# 注意力权重学习模块# 拼接多尺度输出# 全局平均池化 + 注意力权重生成# 加权融合```> ✅ 此自定义层可用于替换原始ResNet中的残差块，显著提升对复杂纹理的识别能力。---##
AI学习主要分为监督学习、无监督学习和强化学习三大范式。监督学习通过标注数据训练模型，适用于垃圾邮件识别等场景；无监督学习自主发现数据规律，用于用户分群等任务；强化学习通过奖惩机制优化策略，如AlphaGo下棋。新手建议先掌握监督学习基础，再逐步了解其他方法。
《AI入门十大误区：新手避坑指南》 这篇文章总结了AI初学者常见的十大误区：1）过分强调数学基础，忽视实战；2）混淆AI、机器学习和深度学习概念；3）只学理论不做实践；4）盲目追求前沿技术；5）过度担忧AI取代工作；6）低估AI应用价值；7）缺乏明确学习方向；8）忽视Python基础；9）过度追求模型复杂度；10）遇难即退。文章针对每个误区提出实用建议，强调AI学习应注重实践应用、循序渐进，建议新
关于深度学习，网上的资料很多，不过貌似大部分都不太适合初学者。 这里有几个原因：1.深度学习确实需要一定的数学基础。如果不用深入浅出地方法讲，有些读者就会有畏难的情绪，因而容易过早地放弃。2.中国人或美国人写的书籍或文章，普遍比较难一些。我不太清楚为什么，不过确实是这样子的。深度学习，确实需要一定的数学基础，但真的那么难么？这个，还真没有。不信？听我来给你侃侃。看完，你也会觉得没那么难了。本文是针
# 总结通过本文，我们从原理上理解了 Codex 皮肤系统如何通过 CSS 注入实现深度定制，并用 Python 生成了 Dario 风格的背景图，最后构建了一个完整的 Codex 扩展。记住，好的皮肤设计不仅要好看，还要考虑代码可读性和性能平衡，这才是技术美学的精髓。而“换皮肤”不仅是外观美化的过程，更涉及到 Codex 的主题系统、CSS 注入机制以及扩展的生命周期管理。## 构建 Codex
利用 TensorFlow，通过构建 VGG-16 网络实现猫狗识别。数据集中有 dog 和 cat 2 类图片，每类图片数量各有 1700 张图片。
原文：towardsdatascience.com/tensorflow-transform-ensuring-seamless-data-preparation-in-production-99ffcf49f535?
利用 TensorFlow，通过构建 VGG-16 网络实现猫狗识别。数据集中有 dog 和 cat 2 类图片，每类图片数量各有 1700 张图片。与上一章文章不同的是，之前批次大小用的是 8 ，这次用的是 64。
本文旨在解决深度学习中因数据量不足导致的过拟合问题，将利用 TensorFlow，通过构建 CNN 网络实现猫狗识别。数据集中有 dog 和 cat 2 类图片，每类图片数量各有 300 张图片。Model 层嵌入：利用 GPU 加速，在 Model.fit 时自动生效。Dataset 层映射：在 CPU/数据流水线预处理阶段进行 map 操作。此外，还将说明如何编写 aug_img 并嵌入 pr
摘要： 深度学习项目中动态图与静态图的选择并非简单的二选一，而是研发效率与运行性能的平衡。动态图（如PyTorch）适合科研阶段的快速迭代和复杂模型调试，支持即时修改和灵活控制流；静态图（如TorchScript）则在生产部署中表现优异，通过算子融合、量化等技术提升推理性能。实际应用中，推荐采用混合架构——动态图训练结合静态图推理，并通过标准化接口（如ONNX）实现平滑迁移。不同行业需根据业务需求
迁移学习通过复用在大规模数据集（如ImageNet）上预训练的模型，将其特征提取能力迁移至特定任务，已成为工业界解决图像分类的标准范式。本文将基于预训练的ResNet/MobileNet模型，使用PyTorch与TensorFlow双框架，完整演示从数据预处理、模型微调到训练评估的迁移学习实战流程。迁移学习对预处理有严格要求，输入图像必须与预训练模型原有的归一化方式保持一致（如ImageNet的均
1、提前下载好Anaconda3的Linux版本2、找到下载conda文件的目录，进入该目录下输入以下安装命令，一路回车，直到它要求输入yes，继续回车当看到显示时安装完成3、测试conda是否安装成功，输入以下命令，如果返回版本号则安装成功4、设置环境变量（若上述测试命令显示conda命令可正常使用，忽略以下步骤）注意：这里的填的是conda安装目录所在的bin文件地址5、验证安装是否成功con
TensorLayer是一个基于TensorFlow的深度学习与强化学习库，旨在平衡易用性与灵活性。它提供高层API简化模型搭建，同时保持底层透明性，支持直接修改实现细节。TensorLayer在性能上与原生TensorFlow相当，并提供丰富的中英文文档和示例代码。目前项目已转向多后端框架TensorLayerX，支持TensorFlow、PyTorch等6种框架及多种硬件，建议新用户直接使用T
摘要： 针对农产品分拣与新零售商品识别中对水果自动化识别的需求，本研究设计了一款基于卷积神经网络（CNN）的轻量化水果识别模型。传统人工识别效率低、误差率高，而现有CNN模型存在覆盖不足、设备适配性差等问题。本研究通过构建多场景水果图像数据集，结合图像预处理与MobileNetV2迁移学习，优化模型训练流程，实现高精度识别。测试表明，模型在复杂光照与遮挡条件下对25类水果的平均识别准确率达90%以
TensorFlow 是一个，专门为机器学习任务而设计，让开发者能够轻松地构建从简单线性回归到复杂神经网络的各种模型。TensorFlow 是由 Google 开发的开源机器学习框架，用于构建和训练各种机器学习和深度学习模型。和，表示数据以张量的形式在计算图中流动。核心概念。
大模型幻觉并不是简单的"模型犯错"，而是概率生成机制、训练数据和应用方式共同导致的问题。本文分析幻觉产生原因，并介绍降低幻觉的实际方法。
本文探讨了深度学习中的分布式训练技术，重点分析了其基本原理、并行策略及主流框架实现。随着模型参数量和数据规模急剧增长，分布式训练已成为解决单卡显存不足和训练耗时的关键技术。文章详细介绍了数据并行、模型并行和流水线并行三种策略，并对比了PyTorch的DistributedDataParallel、TensorFlow的MultiWorkerMirroredStrategy以及Horovod三种实现
TensorFlow Lite Micro（TFLM）是一个开源的机器学习推理框架，专门设计用于在资源极度受限的嵌入式系统上运行深度学习模型。面对嵌入式系统严苛的资源约束（通常仅有几十KB的内存）和高度碎片化的硬件生态，TFLM通过基于解释器的独特架构、静态内存分配策略和模块化算子设计，在保持跨平台灵活性的同时实现了极低的运行时开销。本文系统阐述TFLM的设计动机、核心架构、内存管理机制、性能优化
摘要： AI领域框架格局正被大模型重塑，PyTorch与TensorFlow的定位发生显著变化。PyTorch凭借Transformer生态（如FlashAttention）主导大模型研究（占论文60%），而TensorFlow仍在大规模稀疏推荐场景（如TB级Embedding）保持优势。两者差异体现在：TensorFlow擅长分布式稀疏计算，PyTorch专注动态图与稠密模型优化。生成式推荐等新
引言：一场关于“更好”的辩论在深度学习的开发者社区里，有一个经久不衰的话题：PyTorch和TensorFlow，到底哪个更好？这个问题的答案往往取决于提问者的背景——如果你问一位高校的研究员，他大概率会回答“PyTorch”；如果你问一位负责大规模模型部署的工程师，答案则可能是“TensorFlow”。这场争论本身隐含着一种误解：将两个框架置于非此即彼的对立位置。事实上，这并非一道“孰优孰劣”的
【代码】TensorFlow Object Detection API。
111111
tensorflow
——tensorflow
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit AI 社区
深开鸿 技术专区
AI Agent技术社区
亚马逊云科技技术品牌专区
AI编程社区
