关于TF的目标检测迁移学习，我一开始是想通过Tensorflow提供的API，用JS来实现的。但是官方不但没有案例，网上也没有踩坑的博客，加之我又着急要弄水印检测。于是就在网上看了很多人用python实现的自定义训练，我也试过很多。运行的时候各种问题，不是缺少模块，就是版本兼容问题说什么convert 't' to a tensor and failed，还有运行Tensorboard打不开等等各

关于TF的目标检测迁移学习，我一开始是想通过Tensorflow提供的API，用JS来实现的。但是官方不但没有案例，网上也没有踩坑的博客，加之我又着急要弄水印检测。于是就在网上看了很多人用python实现的自定义训练，我也试过很多。运行的时候各种问题，不是缺少模块，就是版本兼容问题说什么convert 't' to a tensor and failed，还有运行Tensorboard打不开等等各

在规则编码中，我们常常会遇到需要通过多种区间判断某种物品分类。比如二手物品的定价，尽管不是新品没有 SKU 但是基本的参数是少不了。想通过成色来区分某种物品，其实主要是确定一些参数。然后根据参数数据以及参数对应成色的所有数据集归档用机器学习训练，这样机器就可以得出规则了

MCP 英文全称 Model Context Protocol，字面意思就是模型上下文协议，也有说他是为解决大语言模型商业落地最后一公里而生。1. 数据不实时，因为都是对历史数据进行训练，而对于像新闻、天气、股市这种一直变动的是无法获取的。2. 功能有限，虽然他可以通过提示词实现很多功能，但还是因为旧数据原因，没法灵活更新功能。3. 私密数据不保障，已知知名模型训练都是抓取的全球公开数据，而商业落

Tensorflow.js 官方提供了很多常用模型库，涵盖了平时开发中大部分场景的模型。例如，前面提到的图片识别，除此之外还有人体姿态识别，目标物体识别，语音文字等识别。其中一些可能是 Python 转换而来，但都是开发人员用海量数据或资源训练的，个人觉得准确度能满足大部分功能开发要求。这里要介绍的是目标物体识别模型 ——CooSSD

在规则编码中，我们常常会遇到需要通过多种区间判断某种物品分类。比如二手物品的定价，尽管不是新品没有 SKU 但是基本的参数是少不了。想通过成色来区分某种物品，其实主要是确定一些参数。然后根据参数数据以及参数对应成色的所有数据集归档用机器学习训练，这样机器就可以得出规则了

内容和资源的采集，反手就是某虫了。在网络上，经过近几年的营销渲染，可能首选是用 Python 做脚本。而这次是用 PHP 的 QueryList 来做采集，下面也就是采集的编码过程和踩坑解决方法，最后再对采集图片进行标注和训练。

这种功能在应用场景里就比较多了，比如图标素材站点，用户通过上传一个图标，系统会自动匹配出相似的图标，还有二手平台，用户通过上传闲置物品图片，平台自动给出分类等，这些也都是前期对海量图片进行了标注训练而得到一个损失率极低的模型。下面就通过简答的代码实现一个小的动漫分类

这里要介绍的是 Tensorflow.js 官方提供的两个人脸检测模型，分别是 face-detection 和 face-landmarks-detection。他们不但可以对视频中的人间进行精确定位，而且还能对当前设备 (手机 / 电脑摄像头) 采集的直播流实时监测人脸

由于兼容性问题，使得我们若想用较新版本的 PyTorch，通过 GPU 方式训练模型，也得更换较新版本得 CUDA 工具包。然而 CUDA 的版本又与电脑显卡的驱动程序版本关联，如果是低版本的显卡驱动程序安装 CUDA11 及以上肯定会失败。比如 GTX750Ti 或 GTX1050Ti，出厂的驱动程序版本在 450 以下，也就只能装 CUDA9 和 CUDA10 之类的版本。那么有什么方法用前面