登录社区云，与社区用户共同成长
邀请您加入社区
1.检查TF 版本和CUDA版本以及 cuDNN版本之间是否匹配可以在这个网站查看https://tensorflow.google.cn/install/source_windows例如我的配置就是py3.6+ cuda10.0 +cuDNN7.42.MSC++ 2015-2019 没有安装MSC++ 2015-2019 CSDN免积分下载地址以上两个过程基本就可以解决问题了，但是tensorf
在此记录以下本人历时一周的不断试错所得到的一点经验。建议大家在进行深度学习训练时使用显卡，使用cpu跑实在是太慢了。写在前面的话，大家所安装的所有一定要是对应的版本的！！！1、首先要去Nvidia官网查看一下自己所用显卡的算力，例如本人的RTX3090ti的算力为8.5。CUDA GPUs | NVIDIA Developer检查算力的目的是为了以防部分代码原作者所运行的环境显卡版本较低，在复现时
首先声明一下，该博客所有的演示是基于本人所在实验室的服务器，使用CentOS7.0的多GPU工作站进行演示，这不是什么教程，仅仅是给新生的一个指南而已。由于本人所在的实验室研究大方向为深度学习，而深度学习一般都需要GPU算力支持，并不是所有新生都带着自己的RTX30+笔记本入学，所以需要用到实验室的GPU工作站。实验室的GPU工作站有4块GPU（有些只有3块），为多用户共同使用，使用的是Linux
其优化的计算图执行模式，能智能调配资源，加速计算流程。以百亿参数的语言模型为例，通过分布式训练策略，TensorFlow能高效整合多台服务器的算力，实现参数快速更新，缩短训练时间，促使模型快速收敛，显著提升研发效率。唯有如此，才能让TensorFlow在深度学习与大模型研发中充分发挥其优势，助力科研人员高效产出成果，推动AI技术稳步前行。然而，随着迭代升级，面对大规模数据集和复杂模型，配置需求也随
文章目录一、问题描述二、解决方法参考文章一、问题描述以下是配置：配置版本显卡Nvidia Geforce GTX 960M系统Windows 10 20H2CUDAV10.1.105cuDNNV7.6.5tensorflow-gpuV2.3.1PythonV3.6.8 64Bit比对N卡官网配置，960M（算力5.0）可以支持CUDA V10.1和cuDNN V7.6（官网错误标注为V7.4，实际
把LSTM网络从tensorflow迁移到mindspore，训练时显示“Get infer functions failed, the operator is not support dynamic shape yet, primitive name:LSTMGrad primitive type:Primitive”MindSpore目前暂时还不支持LSTM算子的动态shape，可尝试将输入变
在人工智能技术国产化的大背景下，昇腾 AI 凭借全栈技术优势成为开发者关注的焦点。本文聚焦与，为开发者提供从技术原理到实战部署的进阶指导。
1.了解异构计算架构CANN在神经网络训练中发挥的主要作用。2.掌握如何基于CANN将TensorFlow模型迁移到昇腾Al处理器上。3.掌握如何在昇腾Al处理器上进行模型训练，感受昇腾Al的极致性能。4.掌握如何查看训练日志和训练结果，具备基本的问题定界、定位能力。
场景描述:使用msquickcmp执行时出现了no module named 'tfdbg_ascend解决方案:与相关开发人员确认后，主要原因是tensorflow版本导致上述问题，服务器上原tf版本是2.6，而msquickcmp默认一般是1.15，执行昇腾相关工具时推荐tf版本保持在tf1.15所以卸载原本的tfpip3 uninstall tensorflow执行中会提示是否卸载全部内容，
数字孪生技术通过“物理实体-虚拟模型-数据链路-闭环优化”的核心逻辑，深度渗透工业研发、生产、运维、供应链等全流程，解决传统工业“效率低、成本高、风险难控”的痛点。核心目标：通过数字孪生体模拟风险场景、监控环保指标、优化能源消耗，满足工业安全合规与双碳目标。•入群即享：免费任选10门AI实战课程视频（包括大模型、知识图谱、NLP、CV等）；核心目标：用虚拟模型替代物理原型，完成设计、仿真、测试全流
目前，tensorfow 2.2 正式版已经发布，我们简单来看一下， tensorflow 2.2 最新版的安装。首先要明确你希望安装CPU版本还是GPU版本？安装GPU版本需要你有nvidia的算力大于3.5的显卡。如果安装 CPU版本，分两步：第一步，升级 pip 版本。python -m pip install --upgrade pip第二步，使用豆瓣源安装：pip install ten
忽略具有cuda计算力为3.0的可见GPU设备。最低要求的Cuda计算力为3.5。
不过用下来也发现一些小问题。这段代码在公司设备上运行，每次训练至少要七八个小时，项目估计还要两三个月，成本有点大，而且时不时还因为设备性能问题报错中断，又得重新开始，项目进度严重滞后。这50小时的算力虽然不能彻底解决项目长期的算力需求，但至少让项目在关键阶段能继续推进，给我们争取到时间去规划后续的算力方案。为了解决算力问题，我网上搜资料、看测评、加群、发帖求助，可推荐平台不是贵得用不起，就是免费的
本教程主要为大家演示如何在 OpenBayes贝式计算平台创建算力容器。
https://gitcode.net/mirrors/endernewton/tf-faster-rcnn?utm_source=csdn_github_accelerator根据显卡更改下对应的计算单元：修改tf-faster-rcnn/lib/setup.py中第130行的arch参数，比如我的显卡是1070,算力是6.1，所以是sm_61显卡的算力可以查询下面网址: http://arno
策略定义了智能体对于给定状态所做出的行为，换句话说，就是一个从状态到行为的映射，事实上状态包括了环境状态和智能体状态，这里我们是从智能体出发的，也就是指智能体所感知到的状态。
一、背景AI算法复杂度逐年上升，需要高效的方式支持AI模型的推理和部署。随着应用规模的扩大，算力资源消耗也在快速增长，对线上资源产生极大的压力。B站AI涉及计算机视觉（CV）、自然语言处理（NLP）、语音等多个场景，服务于内容安全审核、内容理解和创作的上百个应用场景。二、挑战和目标挑战线上资源随着流量线性增长，在降本增效的背景下，希望控制线上资源的增长。随着大语言模型在工业界的推广和落地，NLP场
环境准备本地GPU环境准备首先介绍在本地使用GPU进行训练的环境准备，首先确保你的电脑中包含算力比较充足的GPU（俗称显卡，推荐GTX1060及以上级别），使用Ubuntu或者其他Linux发行版本的系统，安装好CUDA和CUDNN，安装tensorflow-gpu和其他环境：pip install tensorflow-gpusudo apt-get install protobuf-compi
在AI落地应用的浪潮中，极市平台通过云平台形式专注赋能开发者，不断为万千开发者提供AI开发应用全流程中的各类最新服务，包括数据、算力、训练环境、模型、部署加速工具等等。在模型开发和部署方面，极市平台集成了最新版本的OpenVINO™工具，助力开发者在最小化代码修改的条件下加速AI算法在各类生产环境中规模化部署应用，尤其是在Intel丰富的硬件资源平台上（CPUs、iGPUs、VPUs等等）。本文重
出现Non-OK-status: GpuLaunchKernel( SwapDimension1And2InTensor3UsingTiles<T, kNumThreads, kTileSize。。。怎么办？我是用的tensorflow2.3.0+cuda10.1以及对应的cudnn，win10,显卡用的算力为6.1的1070我在算力为7.1的2070上正常跑，但是在1070上就报标题的错误
windows下安装tensorflow-gpu：首先查看我们自己的电脑是否携带gpu，以及计算力是否达到3以上。。。目前我们的电脑基本上都是可以达到这个标准的。。。。可以放心安装。。。。。python环境推荐安装anaconda。。。。。1.准备.condarc文件的配置：目的就是为了下载快。channels:- defaultsshow_channel_urls: truedefault_ch
本文系统介绍了大语言模型(LLM)的基础知识、训练部署和应用开发。主要内容包括：1) LLM的定义与特点，基于Transformer架构的神经网络；2)模型训练过程及GPU加速原理；3)关键技术如RAG、Function Calling等；4)研究方向分类，从提示词工程到预训练；5)开发框架选型(Dify低代码vs LangChain高代码)；6)算力成本分析，比较A100/H100等芯片差异。文
人们常言人工智能第三次浪潮的兴起要得益于算力取得长足进步以及海量丰富数据源源不断地产生，但同样不能忽视的是人工智能框架为人工智能应用落地所取得的突出作用。提到人工智能框架，开发者们脑子里立马会闪现出TensorFlow、Keras、PyTorch、MXNet、Caffe2、FastAI这些名字。人工智能框架之所以如此重要，是因为无论是学术研究还是人工智能的真实落地应用之中，都会涉及到无比繁多和..
摘要： FSDP（Fully Sharded Data Parallel）从2020年PyTorch引入的ZeRO-3技术，到2025年发展为支持万亿级多模态大模型训练的分布式框架。中国从跟随者跃升为全球领跑者（如华为、DeepSeek等），FSDP渗透率超80%，内存节省90%+，训练效率提升1000倍+。2015-2019年为ZeRO概念萌芽期；2020-2022年FSDP成熟，支持千亿级模型
TensorFlow是由Google Brain团队开发的开源机器学习平台，采用计算图抽象和分离式执行引擎架构。核心功能包括构建训练模型、跨平台部署和分布式执行，解决了研究到生产的转换难题。其技术亮点在于静态图优化、自动微分、异构硬件支持和编译器集成（XLA）。系统面临性能与灵活性平衡、大规模分布式同步等挑战，通过分层架构（客户端API、执行引擎、设备层）和模块化设计（Op注册、Session管理
TensorFlow Serving：AI模型的生产部署工具 TensorFlow Serving是谷歌官方推出的机器学习模型部署系统，专门用于将训练好的AI模型转化为可调用的在线服务。它支持REST API和gRPC两种调用方式，具备高性能、高可用和易扩展等优势。 核心功能包括： 模型版本管理（支持热更新和回滚） 动态批量处理（提升GPU利用率） 多模型同时服务 典型应用场景： 电商推荐系统实时
根据2024年《自然·医学》最新研究，超过65%的医疗AI项目因数据隐私合规要求导致模型训练数据减少30%以上，直接降低诊断准确率5-8%。图1：不同隐私保护强度下，医疗AI模型关键指标变化趋势（数据来源：2024年全球医疗数据科学白皮书）。：医疗机构应建立隐私-性能平衡评估框架（参考附录流程图），数据科学家需掌握隐私增强计算（PEC）技能，政策制定者应推动“隐私-性能”双目标法规。然而，2024
通俗定义：计算图就像做菜的流程图。静态图（TensorFlow 1.x风格）：先画好完整的流程图：“洗西红柿→切西红柿→打蛋→热油→下锅炒”，然后严格按照流程一步步执行动态图（PyTorch风格）：边做边决定下一步：“我先洗个西红柿……嗯，现在该切了……哦，还没打蛋，现在打”PyTorch：更像写Python脚本，控制流清晰，调试方便：更声明式，高级API更简洁，但底层细节被隐藏PyTorch是深
TensorFlow稀疏张量（SparseTensor）是处理含大量零值数据的高效方案，通过仅存储非零值坐标和值来节省资源。文章详细介绍了SparseTensor的COO编码格式（包含indices、values和dense_shape三个核心组件）、基本使用方法（构造、属性访问、运算）及关键注意事项（索引顺序处理、显式零值避免等）。特别强调了稀疏张量适用于超稀疏数据（如NLP、CV领域），而密集
模型优化是一系列针对深度学习模型的技术，旨在提升模型的推理效率，减少计算资源的消耗，同时保证模型的准确度。减少计算量：通过减少模型的参数、层数、计算图的复杂度等方式降低计算量。减少存储空间：通过压缩模型的权重，减少模型所需的存储空间。加速推理过程：通过硬件加速、并行计算、剪枝等技术提升推理速度。网络剪枝（Pruning）：删除不重要的神经网络连接，减少计算量。知识蒸馏（Knowledge Dist
本文系统综述了基因预测大模型的算法、工具及应用。基于Transformer的DNABERT和HyenaDNA擅长序列分析，GNN模型如DeepVariant-NG适合变异检测，多模态模型Enformer整合多组学数据。比较显示各模型在输入类型、输出任务和数据需求上存在显著差异，如DNABERT轻量化而HyenaDNA支持长序列处理。文章以DNABERT为例演示了安装、数据准备和模型微调流程。未来发
在现代科技的世界里，我们经常会听到“ MCP”这个词，但很多人可能还不太清楚它具体代表什么，或者它在实际应用中起到什么作用。今天，我就用通俗易懂的方式，详细为你讲解什么是“MCP”，让你对这个概念有一个清晰的了解。通俗一点说，MCP就是计算机中那个“看门人”和“调度员”，它负责确保存储器的访问高效、安全、协调。在一些架构中，MCP可能融入在存储控制器（Memory Controller）中，或作为
本文对比了TensorFlow中的RaggedTensor和SparseTensor两种张量类型。RaggedTensor用于处理可变长度/嵌套结构数据，存储无冗余空位，运算按实际元素数计算；SparseTensor则用于压缩存储固定形状但大部分值为空的数据，运算等价于密集张量。通过收纳工具比喻和实例演示（如concat和reduce_mean运算），展示了二者的本质差异：RaggedTensor
图 2：典型的多模态语⾔模型架构⽰意图。本文系统综述了多模态大型语言模型（MLLM）的发展背景、核心架构、技术特点及扩展应用，阐明其通过融合大型语言模型（LLM）与大型视觉模型（LVM）的优势，突破传统单模态模型的局限性，实现多模态信息的理解与生成，并探讨其在多领域应用的潜力与未来研究方向。本部分详细解析了多模态大型语言模型（MLLM）的核心架构设计，包括模态编码器、语言模型（LLM）和模态接口三
用法和普通Tensor完全一致，学习成本低；保留RaggedTensor的可变长度结构，无冗余补0，计算效率高；支持广播规则，覆盖绝大多数基础数学/比较场景。只要普通Tensor能做的运算符操作，RaggedTensor都能做，且结果保持行长度不变。
解压离线包，将ollama这个二进制文件放到/usr/local/bin/ 目录下。将下面内容粘贴进去，里面参数干啥的我就不解释了，想了解的自己查。
tensorflow
——tensorflow
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
九章云极普惠算力
鲲鹏昇腾开发者社区
2048 AI社区
DAMO开发者矩阵
火山引擎 ADG 社区
