TensorFlow


TypeScript 超越 C++ 成第四大语言!无惧中国开源托管平台竞争:GitHub 发布 2020 年开发者报告
GitHub 于周四发布了年度开发者报告,其中一些对全球开发人员和开源社区的见解特别有趣。


使用 SIMD 和多线程增强 TensorFlow.js WebAssembly 后端
从 TensorFlow.js 2.3.0 版本开始,通过 XNNPACK 利用 SIMD 指令和多线程, Wasm 后端速度提高了 10 倍。

TensorFlow 2.4 Mac 优化版:性能大幅提升,可在最新的 M1 芯片上运行
TensorFlow 用户可以在 搭载苹果新芯片 M1 的 Mac 上使用 TensorFlow 2.4 Mac 优化版和新的 ML Compute(机器学习计算)框架进行加速训练。

TensorFlow 篇 | TensorFlow 数据输入的最佳实践
「导语」在训练 TensorFlow 模型时,为了达到最佳的训练性能,需要一个高效的数据输入流程,该流程可以在当前训练步骤完成之前为下一步训练准备好数据。 tf.data API 可以帮助我们构建这个灵活且高效的输入流程,可以很轻松地对输入数据进行各种并行化处理。


跨越重重“障碍”,我从 PyTorch 转换为了 TensorFlow Lite
我最近不得不将深度学习模型从 PyTorch 转换为 TensorFlow Lite。这是一个漫长而复杂的“旅程”,需要跨越很多障碍才能成功。

TensorFlow 篇 | TensorFlow 2.x 基于 Keras 的模型保存及重建
「导语」模型训练完成后一项十分重要的步骤是对模型信息进行持久化保存,以用于后续的再训练以及线上 Serving。保存后的模型文件除了个人使用外,还可以将其分享到 TensorFlow Hub ,从而让他人可以很方便地在该预训练模型的基础上进行再次开发与训练。
TensorFlow 篇 | TensorFlow 2.x 基于 HParams 的超参数调优
「导语」 当我们创建了 Keras 模型并开始进行训练时,一般都会指定一些超参数的值来对训练的过程进行调控,这些超参数的取值会对模型训练的结果产生很大的影响,因此在机器学习工作流程中一项十分重要的步骤就是要确定模型超参数的最佳取值,亦即超参数调优。
TensorFlow 篇 | TensorFlow 2.x 基于 Keras 模型的本地训练与评估
「导语」模型的训练与评估是整个机器学习任务流程的核心环节。只有掌握了正确的训练与评估方法,并灵活使用,才能使我们更加快速地进行实验分析与验证,从而对模型有更加深刻的理解。
TensorFlow 篇 | TensorFlow 2.x 基于 Keras 的模型构建
「导语」TensorFlow 2.0 版发布以来,Keras 已经被深度集成于 TensorFlow 框架中,Keras API 也成为了构建深度网络模型的第一选择。使用 Keras 进行模型开发与迭代是每一个数据开发人员都需要掌握的一项基本技能,让我们一起走进 Keras 的世界一探究竟。



谷歌称 TensorFlow 的 OpenCL 可以将推理性能提高一倍
Google 日前发布了一款基于 OpenCL 的移动 GPU 推理引擎,用于 Android 上的 TensorFlow 框架。


谷歌宣布 TensorFlow Object Detection API 支持 TensorFlow 2
此版本包含与 eager 模式兼容的二进制文件、两个新的网络架构和针对所有受支持模型的预训练权重。


隔离宅在家,我自己做了个社交距离检测器
本文详细介绍了如何使用 TensorFlow 对象检测模型、Python 和 OpenCV 打造社交距离检测器,这是一个将深度学习与计算机视觉相结合的隔离项目。




TensorFlow On Flink 原理解析
简介: 本文将分享如何使用一套引擎搞定机器学习全流程的解决方案。先介绍一下典型的机器学习工作流程。如图所示,整个流程包含特征工程、模型训练、离线或者是在线预测等环节。



