- 显卡是M60的云服务器填写正确license 服务器后无法进行认证 显卡是M60的云服务器填写正确license 服务器后无法进行认证
- 介绍centos系统中grid license服务搭建 介绍centos系统中grid license服务搭建
- 一、EAST网络介绍EAST，An Efficient and Accurate Scene Text Detector：https://arxiv.org/abs/1704.03155v2EAST做文本检测只需要两步：先是一个全卷积的网络直接产生一个字符或者文本行的预测（可以是旋转的矩形或者不规则四边形），然后通过NMS（Non-Maximum Suppression）算法合并最后的结果。... 一、EAST网络介绍EAST，An Efficient and Accurate Scene Text Detector：https://arxiv.org/abs/1704.03155v2EAST做文本检测只需要两步：先是一个全卷积的网络直接产生一个字符或者文本行的预测（可以是旋转的矩形或者不规则四边形），然后通过NMS（Non-Maximum Suppression）算法合并最后的结果。...
- [线上模型挑战] ICNet 模型迁移（TensorFlow GPU To Ascend 910）记录, ICNet 主要用于图像实时语义分割，能够兼顾速度和准确性。 ICNet的主要思想是将输入图像变换为不同的分辨率，然后用不同计算复杂度的子网络计算不同分辨率的输入，然后将结果合并。 [线上模型挑战] ICNet 模型迁移（TensorFlow GPU To Ascend 910）记录, ICNet 主要用于图像实时语义分割，能够兼顾速度和准确性。 ICNet的主要思想是将输入图像变换为不同的分辨率，然后用不同计算复杂度的子网络计算不同分辨率的输入，然后将结果合并。
- 本文通过使用tensorflow，以手写数字识别为例，通过tensorflow常用的3种建模方式分别演示和介绍模型训练、模型保存、以及离线模型转换三个步骤，在下一篇(二)模型加载与运行推理中介绍转换后的模型如何部署与运行推理。 运行环境: Ubuntu 18.04 x86_64 本文通过使用tensorflow，以手写数字识别为例，通过tensorflow常用的3种建模方式分别演示和介绍模型训练、模型保存、以及离线模型转换三个步骤，在下一篇(二)模型加载与运行推理中介绍转换后的模型如何部署与运行推理。 运行环境: Ubuntu 18.04 x86_64
- 根据atlas300样例使用tensorflow模型转换，首先将cpkt模型文件转换为字典形式格式，即为，key-value，然后，根据自己的需要修改保存为pb文件的节点，最后使用omg进行转换。 注意不支持5维度，所以特别需要关注后处理。 根据atlas300样例使用tensorflow模型转换，首先将cpkt模型文件转换为字典形式格式，即为，key-value，然后，根据自己的需要修改保存为pb文件的节点，最后使用omg进行转换。 注意不支持5维度，所以特别需要关注后处理。
- 代码源文件放在下方附件中，请自取。 代码源文件放在下方附件中，请自取。
- 数据集下载位置：https://foodandfood1.obs.cn-north-4.myhuaweicloud.com:443/flower_photos.zip?AccessKeyId=PQNDUKNXKYOHOFXSDEDA&Expires=1636360547&Signature=%2BLINASwvdhfDU0UK9l8A12CvpTk%3D 数据集下载位置：https://foodandfood1.obs.cn-north-4.myhuaweicloud.com:443/flower_photos.zip?AccessKeyId=PQNDUKNXKYOHOFXSDEDA&Expires=1636360547&Signature=%2BLINASwvdhfDU0UK9l8A12CvpTk%3D
- moxing的编程方式和tensorflow estimator差不多，但是moxing编码更加简化，举例： 同样实现resnet50，moxing只需要100行代码，而tensorflow estimator实现需要1000行 moxing的编程方式和tensorflow estimator差不多，但是moxing编码更加简化，举例： 同样实现resnet50，moxing只需要100行代码，而tensorflow estimator实现需要1000行
- 前言鸢尾花识别是学习AI入门的案例，这里和大家分享下使用Tensorflow 2框架，编写程序，获取鸢尾花数据，搭建神经网络，最后训练和识别鸢尾花。鸢尾花识别——思路流程： 1）获取鸢尾花数据，分析处理。 2）整理数据位训练集，测试集。 3）搭建神经网络模型。 4）训练网络，优化网络模型参数。 5）保存最优的模型，进行鸢尾花识别。认识鸢尾花我们先认识下什么是鸢尾... 前言鸢尾花识别是学习AI入门的案例，这里和大家分享下使用Tensorflow 2框架，编写程序，获取鸢尾花数据，搭建神经网络，最后训练和识别鸢尾花。鸢尾花识别——思路流程： 1）获取鸢尾花数据，分析处理。 2）整理数据位训练集，测试集。 3）搭建神经网络模型。 4）训练网络，优化网络模型参数。 5）保存最优的模型，进行鸢尾花识别。认识鸢尾花我们先认识下什么是鸢尾...
- Open Neural Network Exchange（ONNX，开放神经网络交换）格式，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移。本文主要介绍了如何通过onnx将pytorch模型转换为tensorflow模型和pb格式，以及踩过的一些坑。 Open Neural Network Exchange（ONNX，开放神经网络交换）格式，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移。本文主要介绍了如何通过onnx将pytorch模型转换为tensorflow模型和pb格式，以及踩过的一些坑。
- 维度增加 tf.expand_dims(input,axis,name=None)维度减少 tf.squeeze(input,axis=None,name=None)转置 tf.transpose(a,perm=None,conjugate=False,name='transpose')a = tf.constant([[1,3],[5,7]])b = tf.constant([[2,4],... 维度增加 tf.expand_dims(input,axis,name=None)维度减少 tf.squeeze(input,axis=None,name=None)转置 tf.transpose(a,perm=None,conjugate=False,name='transpose')a = tf.constant([[1,3],[5,7]])b = tf.constant([[2,4],...
- 本章重点介绍“tf.data”和“tf.keras”这两个API的理论。“tf.data”APItf.data”API除GPU和TPU等硬件加速设备外，高效的数据输入管道也可以很大程度地提升模型性能，减少模型训练所需要的时间。数据输入管道本质是一个ELT（Extract、Transform和Load）过程：●Extract：从硬盘中读取数据（可以是本地的，也可以是云端的）。●Transfor... 本章重点介绍“tf.data”和“tf.keras”这两个API的理论。“tf.data”APItf.data”API除GPU和TPU等硬件加速设备外，高效的数据输入管道也可以很大程度地提升模型性能，减少模型训练所需要的时间。数据输入管道本质是一个ELT（Extract、Transform和Load）过程：●Extract：从硬盘中读取数据（可以是本地的，也可以是云端的）。●Transfor...
- 本章主要是阐述Tensorflow2.0的架构，并选取了两个重要的API进行简单介绍。作为全球最受欢迎、使用最为广泛的机器学习平台之一，TensorFlow在其发展的三年时间也是机器学习和人工智能发展最为迅猛的三年。TensorFlow2.0是一个重要的里程碑，其重心放在了简单性和易用性上，尽量降低用户使用的门槛。TensorFlow团队为其添加了许多的组件，在TensorFlow2.0里，... 本章主要是阐述Tensorflow2.0的架构，并选取了两个重要的API进行简单介绍。作为全球最受欢迎、使用最为广泛的机器学习平台之一，TensorFlow在其发展的三年时间也是机器学习和人工智能发展最为迅猛的三年。TensorFlow2.0是一个重要的里程碑，其重心放在了简单性和易用性上，尽量降低用户使用的门槛。TensorFlow团队为其添加了许多的组件，在TensorFlow2.0里，...
- 本章针对有TensorFlow1.0基础的学习者，如果没有了解过TensorFlow的小伙伴也可以直接跳过，不影响后续学习~从1.x到2.0的变化TensorFlow2.0在1.x的基础上做了重新设计，重点放在了提升开发人员的工作效率。TensorFlow2.0为了提升易用性做了很多改进，例如对API做了精简，删除了冗余的API，使得API更加一致（例如统一TensorFlow和tf.ker... 本章针对有TensorFlow1.0基础的学习者，如果没有了解过TensorFlow的小伙伴也可以直接跳过，不影响后续学习~从1.x到2.0的变化TensorFlow2.0在1.x的基础上做了重新设计，重点放在了提升开发人员的工作效率。TensorFlow2.0为了提升易用性做了很多改进，例如对API做了精简，删除了冗余的API，使得API更加一致（例如统一TensorFlow和tf.ker...
上滑加载中
推荐直播
-
香橙派AIpro的远程推理框架与实验案例2025/07/04 周五 19:00-20:00
郝家胜 -华为开发者布道师-高校教师
AiR推理框架创新采用将模型推理与模型应用相分离的机制，把香橙派封装为AI推理黑盒服务，构建了分布式远程推理框架，并提供多种输入模态、多种输出方式以及多线程支持的高度复用框架，解决了开发板环境配置复杂上手困难、缺乏可视化体验和资源稀缺课程受限等痛点问题，真正做到开箱即用，并支持多种笔记本电脑环境、多种不同编程语言，10行代码即可体验图像分割迁移案例。
回顾中 -
鸿蒙端云一体化应用开发2025/07/10 周四 19:00-20:00
倪红军 华为开发者布道师-高校教师
基于鸿蒙平台终端设备的应用场景越来越多、使用范围越来越广。本课程以云数据库服务为例，介绍云侧项目应用的创建、新建对象类型、新增存储区及向对象类型中添加数据对象的方法，端侧（HarmonyOS平台）一体化工程项目的创建、云数据资源的关联方法及对云侧数据的增删改查等操作方法，为开发端云一体化应用打下坚实基础。
即将直播
热门标签