首页 > TAG信息列表 > TensorFlow

从 Numpy+Pytorch 到 TensorFlow JS:总结和常用平替整理

如何拥有较为平滑的移植体验? 保持两种语言,和两个框架的API文档处于打开状态,并随时查阅:Python,JavaScript;Pytorch,TensorFlow JS(用浏览器 F3 搜索关键词)。 可选阅读,《动手学深度学习》,掌握解决常见学习问题时,Pytorch 和 TensorFlow 的实现方法。 精读 TensorFlow JS 的官方教程,和指南

谷歌并未放弃TensorFlow,将于2023年发布新版,明确四大支柱

2015 年,谷歌大脑开放了一个名为「TensorFlow」的研究项目,这款产品迅速流行起来,成为人工智能业界的主流深度学习框架,塑造了现代机器学习的生态系统。从那时起,成千上万的开源贡献者以及众多的开发人员、社区组织者、研究人员和教育工作者等都投入到这一开源软件库上。 然而七年后的

pytorch 和 tensorflow的 upsampling 互通代码

pytorch 实现上采样 点击查看代码 import numpy as np import torch.nn.functional as F import torch from torch import nn input = torch.arange(0, 12, dtype=torch.float32).view(2, 2, 3).transpose(1, 2) # size 和 scale_factor只能二选一 sample_layer = nn.Upsample(

使用 Miniconda 为 Mac M1/M2 安装 TensorFlow GPU

使用 Miniconda 为 Mac M1/M2 安装 TensorFlow GPU 最新的采用 ARM M1/M2 架构的 Mac 处理深度学习的能力比之前采用英特尔架构的 Mac 好很多。随着硅芯片的发布,Apple 首次推出了片上系统。 新的 Mac M1 有一个单芯片,其中包含 CPU、GPU 和对深度学习的硬件支持。使用名为 Rosetta

Tensorflow如何使用GPU训练(笔记)

参考:https://blog.csdn.net/qq_31554953/article/details/107302404 Tensorflow和tf.keras 模型可以在单个GPU上透明运行,而无需更改。 注意:(1)需要使用tf.config.experimental.list_physical_devices('GPU')确认使用的tensorflow可以使用GPU。 (2)在一台机器上运行多个GPU,或者在多台机

推荐系统!基于tensorflow搭建混合神经网络精准推荐! ⛵

TensorFlow和CUDA、cudnn、Pytorch以及英伟达显卡对应版本对照表

TensorFlow和CUDA、cudnn、Pytorch以及英伟达显卡对应版本对照表 CUDA下载地址 CUDNN下载地址 torch下载 英伟达显卡下载 一、TensorFlow对应版本对照表 版本 Python 版本 编译器 cuDNN CUDA tensorflow-2.9.0 3.7-3.10 8.1 11.2 tensorflow-2.8.0 3.7-3.10 8.1 11.2

TensorFlow和CUDA、cudnn以及Pytorch对应版本对照表

TensorFlow和CUDA、cudnn以及Pytorch对应版本对照表 CUDA下载地址 CUDNN下载地址 torch下载 一、TensorFlow对应版本对照表 版本 Python 版本 编译器 cuDNN CUDA tensorflow-2.9.0 3.7-3.10 8.1 11.2 tensorflow-2.8.0 3.7-3.10 8.1 11.2 tensorflow-2.7.0 3.7-3.9

基于Anacoda搭建虚拟环境cudnn6.0+cuda8.0+python3.6+tensorflow-gpu1.4.0

!一定要查准cudnn,cuda,tensorflow-gpu对应的版本号再进行安装,且本文一切安装均在虚拟环境中完成。 下文以笔者自己电脑为例,展开安装教程阐述(省略anaconda安装教程): 1.查询电脑CUDA版本  2. 确认对应的cudnn,cuda,tensorflow-gpu版本号(链接) 3.如果先前安装过tensorflow-gpu,先卸载(没有

【区块链与隐私保护系列】基于Linux的TensorFlow Federated安装与使用

一、Tensorflow Tederated安装 基础环境:   操作系统:Ubuntu20.04 首先,安装Anaconda:    具体的安装步骤可以查看这篇文章,亲测实用,https://blog.csdn.net/ITBigGod/article/details/85690257 然后,安装TensorFlow:    conda create -n tff  (创建名为tff的虚拟环境)    cond

conda创建虚拟环境到指定文件夹

参考anaconda官方文档:https://docs.anaconda.com/anaconda/ 通常我们使用命令: conda create -n env_name python=x.x 创建一个环境,但是此时环境默认  $HOME/.conda/envs/env_name,在激活这个环境的时候,可以使用命令: source activate env_name 退出命令: source deactivate env_nam

Tensorflow 2下载网址

Tensorflow2: 官网:https://tensorflow.google.cn/ 一个核心开源库,可以帮助您开发和训练机器学习模型。您可以通过直接在浏览器中运行 Colab 笔记本来快速上手。   安装TensorFlow 2  pip install tensorflow 更新 TensorFlow 2 pip install --upgrade pip 卸载TensorFlow 2 pip

pytorch模型转换为onnx,并使用netron可视化

pytorch模型转换为onnx,并使用netron可视化 netron 是一个非常好用的网络结构可视化工具。 但是netron对pytorch模型的支持还不成熟。自己试的效果是生成的模型图没有连线。 目前支持的框架 根据netron的github 目前netron支持: ONNX (.onnx, .pb, .pbtxt) Keras (.h5, .keras) Core

Tensorflow阶段性总结

前言 本文是我的阶段性总结,基于四个周Tensorflow的深度学习与研究,夏令营亦即将暂时告一段落,觉得有必要沉下心来梳理一下,暂决定以下分三个部分去写: 第一部分必是对所学内容的回顾 第二部分应是对我之前的实战代码进行的梳理 第三部分可以思考之后继续深度学习的范围 一方面是巩

tensorflow——常见报错(持续更新)

tensorflow——常见报错 问题一: 描述:UnicodeDecodeError: 'gbk' codec can't decode byte 0x93 in position 5456: illegal multibyte sequence 图片描述: 解决方法:将open(file) :改成 open(file, ‘r’, encoding=‘utf-8’)  问题二: 描述:WARNING:tensorflow:Layer gru_3 will no

tensorflow——使用常见报错

tensorflow——常见报错 问题一: UnicodeDecodeError: 'gbk' codec can't decode byte 0x93 in position 5456: illegal multibyte sequence图例: 解决方案:

错误:AttributeError: module 'tensorflow.keras.xxxx' has no attribute 'xxxx'

因为tensorflow前后版本api变化大,常常会出现某某module不存在,推荐使用官方文档去查找api并按照特定的版本 tensorflow api 推荐的版本 tensorflow1.15 tensorflow2.6

TensorFlow - 使用 TensorFlowSharp 创建 C# 应用程序

如何使用 TensorFlowSharp 创建 C# 应用程序 本文旨在演示如何充分利用 Python 来训练模型,以及如何使用 .NET 来构建使用已训练模型的假设最终用户应用程序。 从 Github 下载源代码 目录 介绍 关于张量流 背景 什么是MNIST?为什么选择 MNIST 深度学习 感知器 单感知器 多层

使用 tensorboard注意事项

今天使用tensorflow1.2.0的时候,无法正确访问tensorboard,我当时tensorboard版本是1.15.0,bd后发现: 注意 tensorflow 和tensorboard之间的版本匹配 tensorboard出现在 1.6.0之后 尽量安装1.6之后的tensorflow版本 使用conda 安装一般自带tensorboard tensorboard使用命令 打开anacon

在jupyter中导入tensorflow 引起内核挂掉/h5py版本不匹配问题

   安装过后仍然超时出错,原因是网络太慢,重新执行该命令,出现以下错误:    如红字显示,tensorflow与h5py版本不匹配,按其中要求安装相应版本即可    安装完成,又出现类似问题,出问题的地方分别是numpy , tensorflow-estimator,scipy    按照相应类似命令进行安装对应所需环境

安装tensorflow摘抄于B站up主tm9161

1.进入Anaconda官网,找到对应操作系统的Anaconda安装包进行下载。(https://www.anaconda.com/products/individual)       2.运行安装软件,点击下一步,选择路径。(如安装过其他Python编译器或环境,建议卸载)                       3.勾选将Anaconda 3添加到系统的环境变量

6-6 使用tensorflow-serving部署模型——eat_tensorflow2_in_30_days

6-6 使用tensorflow-serving部署模型 TensorFlow训练好的模型以tensorflow原生方式保存成protobuf文件后可以用许多方式部署运行。 例如:通过 tensorflow-js 可以用javascrip脚本加载模型并在浏览器中运行模型。 通过 tensorflow-lite 可以在移动和嵌入式设备上加载并运行TensorFl

6-5使用tensorflow-serving部署模型——eat_tensorflow2_in_30_days

6-5使用tensorflow-serving部署模型 TensorFlow训练好的模型以tensorflow原生方式保存成protobuf文件后可以用许多方式部署运行。 例如:通过 tensorflow-js 可以用javascrip脚本加载模型并在浏览器中运行模型。 通过 tensorflow-lite 可以在移动和嵌入式设备上加载并运行TensorFlo

搭建TensorFlow-GPU

步骤 step1 1.1 下载 下载安装Anaconda3 链接:Anaconda3 当然也可以从清华大学开源镜像站下载 链接:清华大学开源镜像站Anaconda3下载地址 1.2 安装 安装很简单,一步步跟着建议安装就行 这里不建议勾选,不勾选添加到环境变量,后续可以用Anaconda Prompt 后面一步步就OK了 Step2 2.1

[JetsonNano] [教程] [入门系列] [三] 搭建TensorFlow环境

1.Miniforge&Mamba 1.安装miniforge&mamba 我们一般在PC机使用anaconda这类包管理器,但是由于jetson是arm架构CPU,所以我们要使用miniforge代替anaconda mamba是一个基于conda的C++多线程下载器,conda只能使用单线程下载,安装mamba加快conda下载速度  sudo apt update sudo apt upgr