5 天前 / 云水木石
提到人工智能和机器学习（Marchine Learning，ML），你的脑海里是否立即会浮现计算中心、高端 GPU、成百上千的 TPU 等等。实际上，随着嵌入式设备、移动终端以及近年来物联网（Internet of Things，IoT）的发展，人工智能离我们越来越近。手机、智能音箱、电话手表，甚至控制开关，都配备有一定的人工智能。特别是物联网和智能家居的快速发展，机器学习在微型低功耗设备上应用得越来越广泛。 TensorFlow 作为人工智能领域的前驱，很早就推出了针对资源受限设备（例如 Arm Cortex-M MCU，微处理单元）的框架 TensorFlow Lite。
30 天前 / algorithmdog
1.从TF1 到 TF2, 线上内存爆炸了 最近我们团队使用的框架从 TF1 升级到了 TF 2。升级之后，线上的 Tensorflow Serving 发生了爆内存的现象。具体现象如下图所示：16G 的内存不到半个小时全部耗尽，内存耗尽之后服务挂掉，然后服务管理平台重新拉起服务；不到半个小时，16G 内存又耗尽，服务挂掉又拉起；这个过程反复进行。TensorFlow Serving 进程因 Out-of-Memory 多次重启。 之前，团队使用 TF1 tf.feature_column + tf.estimator 的组合编写训练代码，并基于 TensorFlow Serving 搭建模型推理服务。
225 天前 / 懒人yp
场景介绍 在ARM盒子(我使用atlas500，arm64v8架构可以直接使用代码和镜像)上，接入网络摄像头，使用tensorflow lite框架，对图像进行图像分类推理，图像分类推理结果通过MQTT协议推送到web页面上进行展示。参考"在ARM盒子使用IEF和Tensorflow运行边缘AI"，这次使用tensorflow lite框架，并把对象检测模型更换成图像分类模型。 运行环境 网络摄像头，支持RTSP协议，ipc格式 智能小站(atlas500)， EulerOS(https://e.huawei.com/cn/material/enterprise/030106f2129145efa9c9bb472c7b0058\） tensorflow1.4.0...
227 天前 / 算法与编程之美
欢迎点击「算法与编程之美」↑关注我们！ 本文首发于微信公众号："算法与编程之美"，欢迎关注，及时了解更多此系列文章。 1）创建camera对象和canvas对象 用小程序实现人物的姿态检测功能 Camera对象实时获取图像，传送给后台模型处理，处理完的结果在canvas对象内显示 1.添加camera 2.调整camera为全屏 3.在…中添加canvas对象 进入下图目录，如果内有默认填充的代码可以清理掉 创建camera对象，并添加一些属性，如后置摄像头、关闭闪光灯、相关报错、样式：全屏。 进入index.wxss页面，同样的先将无关内容删除。
231 天前 / 懒人yp
场景介绍 由于视频流占用很多网络带宽，越来越多的场景下，希望在视频流产生的地方，对图像进行处理，在节省网络带宽的同时，能够快速处理，也能避免网络延迟和抖动带来的不确定性。典型应用场景为：化工厂内部通过图像检测火情，园区内人脸匹配进行安检，建筑工地施工人员是否佩戴安全帽。 在ARM盒子(以atlas500为例，arm64v8架构可以直接使用代码和镜像)上，通过网络接入网络摄像头，使用tensorflow框架对图像进行对象检测模型推理，检测结果通过MQTT协议推送到web页面上进行展示。
269 天前 / openio
机器之心报道 作者：杜伟、一鸣 今年 3 月份，谷歌在加州举办的 TensorFlow 开发者峰会（TensorFlow Dev Summit）上正式发布了 Tensorflow 2.0 Alpha 版。今天，谷歌推出 TensorFlow 2.0 正式版，真乃开发者社区的一大盛事。 TensorFlow 2.0 安装指南：https://www.tensorflow.org/install TensorFlow 2.0 的发布得益于开发者社区的推动，他们想要拥有一个灵活且强大的易用平台，并且希望 TensorFlow 支持部署到任何平台。
274 天前 / 读芯术
全文共3412字，预计学习时长7分钟 在对TensorFlow、PyTorch和Keras做功能对比之前，先来了解一些它们各自的非竞争性柔性特点吧。 非竞争性特点 下文介绍了TensorFlow、PyTorch和Keras的几个不同之处，便于读者对这三个框架有初步了解。列出这些区别的重点不在于对三者做比较，而在于做一个初步介绍。 TensorFlow · 开发者：Google · 2017年1月发布1.0版本 PyTorch · 开发者：Facebook ·2018年10月发布1.0版本 ·基于Torch开发（Torch是基于Lua开发的另一个深度学习框架） K...
278 天前 / iOS沪上代码小子
文 /李锡涵，Google Developers Expert 本文节选自《简单粗暴 TensorFlow 2.0》 TensorFlow 2.0 beta1 已经发布。本文详细介绍在个人电脑或服务器上安装 TensorFlow 2.0 beta1 的步骤和各种细节，让你第一次安装 TensorFlow 2.0 就上手！ 一般安装步骤 TensorFlow 的 Python 版本使用最为广泛。作为一个 Python 包，TensorFlow 和其他 Python 包的安装方法区别不大，使用 Python 的包管理器 pip 即可。具体步骤如下： 1. 安装 Python 环境。此处建议安装 Anaconda 。
284 天前 / 蚂蚁金服分布式架构SOFAStack
9 月 11 日，蚂蚁金服在2019谷歌开发者大会上海站上开源了 ElasticDL 项目，这是业界首个基于 TensorFlow 实现弹性深度学习的开源系统。 开源地址为：elasticdl.org 开源中国采访了 ElasticDL 项目负责人王益，对该深度学习系统的技术细节进行了全面介绍。 1基于 TensorFlow 2.0 和Kubernetes实现弹性深度学习这个基于 Eager Execution 模式的开源项目名为“ElasticDL”，它是一个Kubernetes 原生深度学习框架，根据介绍，ElasticDL 主要有四大特点： 容错性弹性调度易用性高效其中又以容错与弹性调度特性最具特色。
343 天前 / 云水木石
之前开发过一款人工智能的微信小程序，其功能是拍一张狗狗的照片，识别出狗狗的类别。程序虽小，功能虽然单一，但五脏俱全，涉及到机器学习的各个方面，以及微信小程序的开发，非常适合作为机器学习的上手项目。这个项目是一边学习，一边写出来的，在这个过程中，进一步掌握了机器学习的知识，具体情况请参考我之前写的文章： 当微信小程序遇上TensorFlow：Server端实现 当微信小程序遇上TensorFlow：Server端实现补充 当微信小程序遇上TensorFlow：小程序实现 当微信小程序遇上TensorFlow：接收base64编码图像数据 当微信小程序遇上TensorFlow：终章...
348 天前 / 云水木石
前一段时间为了在微信小程序中使用tensorflow.js，对tfjs-core代码做了一些修改，具体情况请参考我之前写的几篇文档： 重磅好消息！TensorFlow开始支持微信小程序 当微信小程序遇上TensorFlow - tensorflow.js篇 当微信小程序遇上TensorFlow - 本地缓存模型 后来，我厚着脸皮向tensorflow/tfjs-core项目提交了一个PR，不出意外，这个提交被拒了。当然谷歌的开发人员还是比较友好，给了我一个文档链接： https://mp.weixin.qq.com/wxopen/plugindevdocappid=wx6afed118d9e81df9 原来google有一份这样的开发指导文档，而且还是中文的...
371 天前 / 云水木石
从明天开始，我开始休年假，准备去云南逛一逛，估计这段时间又无法更新公众号，还请大家谅解。 在《当微信小程序遇上TensorFlow - tensorflow.js篇》一文中，我介绍了在微信小程序中使用TensorFlow.js，有朋友可能注意到，小程序每次都需要从网络加载模型。虽然tensorflow.js官方声称利用了浏览器的缓存技术，并不会每次都从网络下载。但在微信小程序中，使用的是wx.request接口下载文件，测试下来发现，似乎没有缓存机制。虽然小程序号称即用即走，但每次都需要从网络下载模型，完全体现不出端推断的优点，况且深度学习模型通常也不小，通常有好几M。
374 天前 / 星弟一直在
1、MobileNet GoogleMobileNets：用于移动视觉应用的高效卷积神经网络的张量流实现 在tensorflow / model中可以正式实施。 对象检测的正式实现现已发布，请参阅tensorflow / model / object_detection。 新闻 YellowFin优化器已经集成，但是我没有gpu资源在imagenet上训练。呼叫培训_ 官方实施点击这里 基本模块 ImageNet-2012验证集的准确性 模型宽度乘数预处理精度-TOP1精度-TOP5 MobileNet1.0与初始相同66.51％87.09％ 下载预训体重：OneDrive，百度云 失利 时间基准 环境：Ubuntu 16.04 LTS，Xeon E3-1231 v3,4核3.40GHz，GTX1060。
376 天前 / 极客兔兔
这篇文章介绍如何使用 TensorFlow 2.0 搭建神经网络(Neural Network, NN)，使用纯监督学习(Supervised Learning)的方法，玩转 OpenAI gym game。示例代码基于 Python 3 和 TensorFlow 2.0 。 OpenAI gym是一个开源的游戏模拟环境，主要用来开发和比较强化学习(Reinforcement Learning, RL)的算法。这篇文章是 Tensorflow 2.0 系列使用 gym 的第一篇文章，网上介绍强化学习玩 gym 的文章比较多，而纯监督学习的文章极少。我们先使用纯监督学习的算法，一起感受 gym 的魅力吧。