-
TensorFlow Cloud 助力模型訓練無縫「上雲」
import datetimeimport osimport matplotlib.pyplot as pltimport numpy as npimport tensorflow as tfimport tensorflow_cloud as tfcimport tensorflow_datasets as tfdsfrom tensorflow import kerasfrom
-
tensorflow安裝教程
tensorflow是谷歌開源的人工智慧庫，有最完善的生態支持。是進行人工智慧領域開發和科研的必備工具。本文在windows10下，藉助anacondaAnaconda安裝和使用，AkShare入門，安裝tensorflow2.0。
-
業界| 谷歌發布tfdbg:讓TensorFlow機器學習模型調試更簡單
選自Google Blog作者：蔡善清參與：李澤南、李亞洲隨著 2 月 16 日谷歌開發者大會上TensorFlow1.0的發布，這一最流行的深度學習框架邁進了新的時代。昨天，谷歌宣布開源 TensorFlow Debugger，一個專用於調試TensorFlow 代碼的新工具，希望以此讓開發者們能夠更輕鬆地構建機器學習項目。
-
TensorFlow 在行動：打造負責任的 AI
兩年前，google 推出了 AI 原則，指引著我們應如何將 AI 應用於研究和產品。AI 原則闡明了我們在隱私性、盡責性、安全性、公平性和可解釋性方面的 Responsible AI 目標。工具集合：http://tensorflow.google.cn/resources/responsible-ai用TensorFlow構建 Responsible AI 指南構建工作流儘管每條 TensorFlow 流水線都可能面臨不同的挑戰和開發需求
-
在瀏覽器中使用TensorFlow.js和Python構建機器學習模型
沒錯——我們將直接進入代碼部分！這是最好的部分——你不需要安裝任何東西來做這個！只要一個文本編輯器和一個網絡瀏覽器即可。下面的動圖展示了我們將要構建的應用程式：這多酷啊！我在瀏覽器裡幾分鐘就完成了。那麼，讓我們看一下步驟和代碼，以幫助你在Web瀏覽器中構建自己的圖像分類模型。
-
模型秒變API只需一行代碼,支持TensorFlow等框架
選自GitHub機器之心編譯參與：一鳴、杜偉還在為機器學習模型打包成 API 發愁？這個工具能讓你一行代碼直接打包。專注於機器學習應用的人們知道，從訓練好的模型到實際的工業生產工具還有一定的距離。其中工作量很大的地方在於將模型打包，預留 API 接口，並和現有的生產系統相結合。
-
幾行代碼即可高效創建數據集,谷歌開源 TFRecorder
在訓練計算機視覺機器學習模型時，數據加載常常會成為性能瓶頸，導致在等待將數據加載到模型中時 GPU 或 TPU 資源的利用率不足
-
谷歌開源 TF-Ranking:專用於排序學習的可擴展 TensorFlow 庫
現在，谷歌 AI 宣布開源 TF-Ranking（https://github.com/tensorflow/ranking），它是一個可擴展的排序學習 TensorFlow 庫。谷歌 AI 表示，TF-Ranking 未來有望鼓舞和推動排序評價指標優化這一重要領域的更深入的研究進展。無偏見排序學習此前的研究（https://ai.google/research/pubs/pub45286）表明，給定一個項目的排序列表，用戶更有可能重點查看前面幾個結果，而忽略結果之間的相關性。
-
TensorFlow推出命令式、可定義的運行接口Eager Execution
安妮 編譯自 Google Research Blog量子位 出品 | 公眾號 QbitAI今天凌晨，谷歌宣布推出TensorFlow的eager execution。這是一個命令式的、可定義的運行接口，它們由Python調用，可用來立即執行操作。
-
TensorFlow 2.0 Alpha 版來了!吳恩達配套課程同步上線
為了簡化代碼遷移到 TensorFlow 2.0 的過程，谷歌還提供一個轉換工具和指導文檔用來更新 TensorFlow 1.x Python 代碼以使用與 TensorFlow 2.0 兼容的 API，並將無法自動轉換的代碼標記出來。
-
TensorFlow 2.0正式版官宣!深度集成Keras
TensorFlow 2.0通過在Volta和Turing GPU上使用混合精度和幾行代碼(例如在ResNet-50和BERT中使用的)，將訓練性能提高了 3 倍。TensorFlow 2.0與TensorRT緊密集成，並使用改進的API在谷歌雲上的NVIDIA T4 Cloud GPU上進行推理時提供更好的可用性和高性能。
-
TensorFlow推出新接口，簡化 ML移動端開發流程
額外的代碼https://tensorflow.google.cn/lite/guide/lite_support今天，我們將為大家介紹 TensorFlow Lite Task Library模型接口針對每個任務進行過專門設計，可實現最佳性能和易用性——現在，只需 5 行代碼就可以在受支持任務的預訓練和自定義模型上執行推理！目前，Task Library 已廣泛用於許多 Google 產品的生產環境中。
-
機器學習增強人類記憶力 谷歌上線AI速成課 TensorFlow 1.6發布
又有哪些開源的代碼和資料庫可以使用了？快快跟隨文摘菌盤點過去一周AI大事件！這樣的刺激使患者記憶詞彙的能力平均提高了15%。 谷歌的人工智慧晶片智能相機現已上市 來源：TECHCRUNCH.COM 連結： http://techcrunch.com/2018/02/27/googles-ai-powered-clips-smart-camera-is-now-available/?
-
未探索的TensorFlow庫
優化TensorFlow模型首先想到的是將其轉換為TensorFlow lite服務。但是，這在桌面上不太好用，因為它是為ARM neon優化的。這篇問題對此進行了解釋（https://github.com/tensorflow/tensorflow/issues/35380），否則我們需要進一步優化模型。模型優化工具箱可以幫助我們完成這些任務。
-
tensorflow2.4的重大改進
Keras Functional API內部的主要重構已完成，這將改善構造功能模型的可靠性，穩定性和性能。Keras混合精度APItf.keras.mixed_precision不再是實驗性的，並且允許在訓練期間使用16位浮點格式，從而在GPU上將性能提高了3倍，在TPU上提高了60％。請參閱下面的其他詳細信息。
-
一行代碼切換TensorFlow與PyTorch,模型訓練也能用倆框架
很顯然，這樣的框架交互，能節省很多重寫代碼的麻煩事。github項目地址：BlackHC/TfPyTh為什麼框架間的交互很重要目前 GitHub 上有很多優質的開源模型，它們大部分都是用 PyTorch 和 TensorFlow 寫的。如果我們想要在自己的項目中調用某個開源模型，那麼它們最好都使用相同的框架，不同框架間的對接會帶來各種問題。
-
TensorFlow發布JavaScript開發者的機器學習框架TensorFlow.js
今年，圍繞 TensorFlow，谷歌同樣做出了幾項重大宣布：1. 發布新的 TensorFlow 官方博客（http://blog.tensorflow.org/）與 TensorFlow YouTube 頻道；2. 面向 JavaScript 開發者的全新機器學習框架 TensorFlow.js;3.
-
TensorFlow 2.X,會是它走下神壇的開始嗎?|tensorflow|深度學習|...
如果我們開始一項新任務，最先要做的就是查找已有的研究，以及已有的開原始碼。這樣的開原始碼，即使到現在，很多最新的前沿模型，尤其是谷歌大腦的各項研究，仍然採用的 1.X 的寫法與 API。 比如說，預訓練語言模型 T5、Albert、Electra 或者圖像處理模型 EfficientNet 等等。
-
TensorFlow極簡教程:創建、保存和恢復機器學習模型
代碼的結構與之前相同，唯一不同的是這次使用張量（tensor）操作來定義誤差。使用張量可以並行（parallel）運行代碼。每個數據點被看作是來自獨立同分布的樣本。因為每個數據點假定是獨立的，所以計算也是獨立的。當使用張量時，每個數據點都在分隔的計算內核上運行。我們有 8 個數據點，所以如果你有一個有八個內核的計算機，它的運行速度應該快八倍。
-
某小夥用10行tensorlayer深度學習代碼,導入Slim模型遷移學習
筆者博客(用tensorflow遷移學習貓狗分類)筆者講到用tensorlayer的VGG16模型遷移學習圖像分類，那麼問題來了，tensorlayer沒提供的模型怎麼辦呢？別擔心，tensorlayer提供了tensorflow中的slim模型導入功能，代碼例子在tutorial_inceptionV3_tfslim。那麼什麼是slim？