登录社区云，与社区用户共同成长
邀请您加入社区
了解Atlas 200I DK A2的主要规格、亮点。
1、介绍本文旨在帮助用户使用CANN架构和MindStudio平台进行AI CPU算子开发指导。其中CANN（Compute Architecture for Neural Networks）是华为公司针对AI场景推出的异构计算架构，通过提供多层次的编程接口，支持用户快速构建基于昇腾平台的AI应用和业务。MindStudio提供您在AI开发所需的一站式开发环境，支持模型开发、算子开发以及应用开发三
曾尝试build tensorflow2.2.0太多莫名其妙的错误，遂放弃arm64可直接pip install的为tensorflow>=1.10.0，似乎与tf_plugin有兼容性问题，遂放弃。
【CANN训练营】Ascend 910实现LeNet网络的minist手写数据训练
其24GB GDDR6X显存、16384个CUDA核心及第四代Tensor Core，为深度学习提供高达82.6 TFLOPS的FP32算力。本文将深入探讨其在TensorFlow/PyTorch框架中的优化实践，通过实测数据揭示性能飞跃。：在ViT-22B训练中，RTX4090较前代实现端到端$$ 3.2\times $$加速，每瓦特性能提升$$ \frac{\text{TFLOPS}}{W}
python肢体检测系统 姿势检测 姿态检测识别 身体姿势检测 实时姿态交互系统 opencv、tflite_runtime、TensorFlow 大数据 ✅
大模型奠定了通用智能的基石，RAG为其插上了获取新知的翅膀，Agent赋予了 AI 自主行动的灵魂，工作流则为 AI 融入现实应用搭建了桥梁。这些概念如同乐队中的各色乐器，在 AI 变革的舞台上各展所长，又相互配合，奏响了智能新时代的序曲。对于普通用户而言，也许不需要了解每个技术细节，但知道这些名词背后的原理和意义，有助于我们更好地理解当下层出不穷的 AI 产品。不再把 ChatGPT 的回答视作
计算机毕业设计Python知识图谱中华古诗词可视化 古诗词情感分析 古诗词智能问答系统 AI大模型自动写诗 大数据毕业设计(源码+LW文档+PPT+讲解)
本文介绍了插件系统与扩展机制的设计与实现。首先概述了插件系统的整体架构，包括守护进程结构和多种插件类型。然后详细讲解了插件的加载机制、API扩展点实现方法以及自定义工具开发流程。接着探讨了插件生态建设的重要性和具体措施。最后讨论了插件系统的监控运维方案，并对未来发展提出了展望。全文系统性地阐述了构建可扩展插件平台的关键技术与实践方法。
本文详细介绍了RaggedTensor与TensorFlow其他张量类型（密集张量和稀疏张量）之间的转换方法。主要内容包括： RaggedTensor转密集张量：使用to_tensor()方法填充默认值，适用于需要固定形状输入的场景 密集张量转RaggedTensor：使用from_tensor()方法剔除填充值，恢复可变长度结构 RaggedTensor转稀疏张量：使用to_sparse()方法
本文详细介绍了TensorFlow中tf.data.Dataset与RaggedTensor结合的四大核心应用场景。主要内容包括：1）使用RaggedTensor构建数据集，保留可变长度数据的原始结构；2）批处理与取消批处理操作对RaggedTensor的特殊处理方式；3）将非规则张量转换为Ragged批处理的技术。通过代码示例和结果解读，展示了RaggedTensor在处理可变长度数据时的优势—
摘要：TensorFlow中的不规则张量（RaggedTensor）专门处理非均匀长度数据，允许同一维度下元素长度不一致（如[[3,1,4,1], [], [5,9,2]]）。它适用于可变长度特征、批量序列、分层数据等场景，支持100+原生运算（数学、数组、字符串操作等）。关键特性包括Python风格索引、算术重载、自定义转换，并能与Python列表/NumPy互转。RaggedTensor解决了
本文探讨了复杂背景下的划痕检测方法。提出了四种解决方案：直接差分法（需亚像素级对齐）、模板匹配差分法（依赖匹配精度）、SVM特征分类法（无法定位）和CNN神经网络（需大量训练样本）。实验表明，各方法均存在不同局限，特别是CNN方法受样本数量和质量影响较大，难以实现完全准确识别。研究揭示了复杂背景下精确划痕检测的技术挑战。
摘要：本文深入解析TensorFlow中RaggedTensor的不规则形状与广播机制。RaggedTensor通过静态形状（TensorShape）和动态形状（DynamicRaggedShape）描述其可变长度特性，静态形状中不规则维度恒为None，动态形状则记录实际行长度。广播机制继承普通Tensor规则但针对不规则维度特殊处理，允许标量、均匀维度为1的Tensor与RaggedTensor
本文介绍了一个基于TensorFlow/Keras的水果图像分类系统，能够识别苹果、香蕉等6种水果，准确率达93.7%。研究采用requests和selenium双渠道爬取原始数据，通过三级清洗（OpenCV检测、MobileNetV2评估、人工复核）和四维增强（空间变换、色彩调整等）提升数据质量，使数据量增加300%。实验表明，数据清洗和增强分别带来4.2%和3.8%的准确率提升。采用25+55
2.运行 app.py，任选 resource/questions.txt 文件内的两个问题，使用本机或 resource 目录内的“PixPin”截图软件（免安装版），针对这两个问题的问答过程进行录屏（包括文件上传、索引构建、检索与生成等关键操作的录制），生成 gif，重命名为“基于streamlit_app的RAG问答操作演示.gif”，保存到 result 目录。上下文噪声：检索到的 Top
针对 10k FPS 吞吐量需求的 GPU 服务器集群（NVIDIA DGX） + Edge TPU 边缘节点协同部署 方案
本文详细解析了机器学习与深度学习的区别与联系。机器学习是人工智能的一个分支，通过算法让计算机从数据中学习规律，分为监督学习、无监督学习和强化学习。深度学习是机器学习的子领域，基于多层神经网络处理复杂任务，如图像识别、语音识别和自然语言处理。两者的主要区别在于模型复杂度、数据需求、计算资源、特征工程和应用场景。尽管有区别，深度学习本质上是机器学习的扩展，共享相同的数学基础和编程框架，并解决类似的问题
零基础搭建深度学习环境：为完成对抗生成网络实验，用一下午安装了Anaconda(清华镜像下载缓慢)、PyCharm专业版(使用破解安装包)、TensorFlow 2.15.0等工具。重点记录了创建虚拟环境的详细步骤：通过Anaconda Prompt创建python3.10环境，安装TensorFlow指定版本并验证成功，最后在Jupyter Notebook中测试运行。过程中遇到镜像源版本不符、
本文详细讲解了TensorFlow中张量切片与数据插入的核心操作，涵盖基础切片、跨步切片、索引提取以及数据插入等关键方法。通过目标检测和NLP实战场景，演示了tf.slice、tf.gather、tf.scatter_nd等API的具体应用，包括特征筛选、序列截取、单词遮盖和特征更新等任务。文章提供了丰富的代码示例，帮助读者掌握如何高效处理结构化数据，并展示了如何结合不同API实现复杂操作（如模拟
TensorFlow张量维度操作指南：涵盖了reshape、expand_dims、squeeze、transpose等核心方法，用于调整数据形状、增减维度、交换维度顺序等。通过代码示例展示了各种操作的实际应用，并比较了不同方法的区别与适用场景。这些维度变换技巧在图像处理、NLP、时间序列等深度学习任务中至关重要，能够灵活适配不同模型的输入要求。掌握这些操作有助于高效进行数据预处理和模型构建。
计算机毕业设计Python+百度千问大模型微博舆情分析预测 微博情感分析可视化 大数据毕业设计(源码+LW文档+PPT+讲解)
通过结合理论分析与实践代码，开发者可在训练吞吐量提升2-3倍的同时保持模型精度，该技术已广泛应用于计算机视觉、自然语言处理等领域的大模型训练场景。
本文提出BiTCN-LSTM混合模型，结合双向TCN的多尺度特征提取能力和LSTM的长时序记忆优势，通过滑动窗口实现多特征多步预测。模型流程包括数据预处理、网络构建（输入层、双向TCN、LSTM层等）、训练优化（MSE损失、Adam优化器）和评估验证。实验结果表明该模型在时序预测精度和复杂度间取得平衡，代码提供清晰注释，支持CSV/Excel数据格式，可灵活配置单/多输入、单/多步预测任务，为后续
从今天开始我将逐一更新我在黑马python ai大开发学习的知识。
词向量（尤其是经过预训练的）是将文本转化为机器可理解的数字表示的基石，它捕捉了词语的语义。yt=f(Whyht+by)y_t = f(W_{hy}h_t + b_y)yt=f(Whyht+by) （计算输出） （其中 xtx_txt 是当前时刻输入，hth_tht 是当前时刻隐藏状态，yty_tyt 是当前时刻输出，WWW 是权重矩阵，bbb 是偏置，fff 是激活函数）最简单的词语表示方法是将每
为什么原代码报错？LSTM层不支持直接处理RaggedTensor的内部不规则维度，仅Input/Embedding层原生支持RaggedTensor；修正逻辑：RaggedTensor → 补0密集张量 + Mask（通过让LSTM忽略补0），既适配LSTM输入要求，又保留“只处理有效元素”的核心逻辑；关键API：：RaggedTensor转补0密集张量；：生成有效元素Mask；：自动传递Mas
针对 激光雷达点云处理 的 极端场景优化方案，结合 模型并行化（多 GPU） 和 Edge TPU 加速，实现 亚毫秒级延迟（<5ms）的实时处理。方案涵盖硬件选型、模型优化、分布式训练与部署策略
tensorflow
——tensorflow
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
鲲鹏昇腾开发者社区
九章云极普惠算力
火山引擎 ADG 社区
2048 AI社区
