首页
学习
活动
专区
工具
TVP
发布

范传康的专栏

专栏成员
45
文章
128199
阅读量
25
订阅数
超参数调优的几种框架
在拟合数据训练之前需要设置超参数,以获得更健壮和优化的模型。任何模型的目标都是实现最小化误差,超参数调优(Hyperparameter Tuning / Optimization)有助于实现这一目标。
flavorfan
2022-06-30
9130
tflite模型PC端与嵌入式交叉验证
TFLM(Tensorflow lite micro)验证嵌入式端模型运行,直截了当做法是:对比PC端和嵌入式端运行的tflite模型的输入输出。笔者就TinyML的HelloWorld例程,实践了PC端tflite模型运行情况和MCU端RT1062部署后运行情况。
flavorfan
2022-05-13
2.7K0
使用Elasticsearch、Spark构建推荐系统 #2:深入分析
Elasticsearch-spark-based recommender系统方案的两个关键步骤:
flavorfan
2022-04-08
3.6K0
使用Elasticsearch、Spark构建推荐系统 #1:概述及环境构建
推荐系统是机器学习当前最著名、最广泛使用,且已经证明价值的落地案例。尽管有许多资源可用作训练推荐模型的基础,但解释如何实际部署这些模型来创建大型推荐系统的资源仍然相对较少。
flavorfan
2022-03-18
3.4K0
基于TF-IDF和KNN的模糊字符串匹配优化
模糊字符串匹配(Fuzzy string matching)是一种查找近似模式(而不是完全匹配)的技术。换句话说,模糊字符串匹配是一种搜索类型,即使用户拼错单词或仅输入部分单词进行搜索,也会找到匹配项。也称为近似字符串匹配(approximate string matching)。
flavorfan
2021-04-30
2K0
colab tip: 防止长时间无操作断开
colab自不必多说,对机器学习从业者是布道者的角色。配合google driver,一些想法不会受限于硬件条件得以起航,就算有了条件,多处统一访问也方便开发。实践过程中,很多模型需要较长时间运行,如果你不操作点击几下网页,colab就会断开,时间久了就重连不回去了,大大影响效率。
flavorfan
2021-03-25
7K2
TensorFlow_Probability实现Normalizing flows实例
标准化流(Normalizing Flows)是算法工具包中的一种便捷技术,它将简单的密度(如高斯分布)转换为丰富的复杂分布,可用于生成模型,RL和变分推断。 TensorFlow具有一组不错的功能,可轻松构建流程并对其进行训练以适应实际数据。
flavorfan
2021-03-14
1.6K0
TinyML-6:移植到nrf52840淘宝开发板(带源码)
技术到了最后,都是要在实际生活中实践,才有活力;而不是曲高和寡,光是鼓吹技术多牛逼,没有切实改变生活,提高体验,产生经济价值,那样的技术都是耍流氓。
flavorfan
2021-01-24
2.1K12
TinyML-5:TFLite Quantization背后的运行机制
上一篇文章描述了为什么quantization 量化的int8足够运行推理,以及Quantization量化对TinyML的重要性,但是没有深入说明Quantization的实现机制,本篇博文打算从TFlite的案例代码切入,从代码的Optimize选项展开讲TFLite背后Quantization的PTQ,QAT技术等。
flavorfan
2021-01-17
2.4K0
TinyML-4:(Quantization) 为什么int8足够用于ML
当神经网络最初被开发时,最大的挑战是使它们能够工作!这意味着训练期间的准确性和速度是重中之重。使用浮点算术是保持精度的最简单方法,并且GPU具备完善的设备来加速这些计算,因此自然不会对其他数字格式给予太多关注。
flavorfan
2021-01-10
1.8K0
【云+社区年度征文】AI算法落地之数据链
机器学习之初,可以在各种开源数据集玩各种模型、玩各种参数,机器学习工程被称为“炼丹”。那时候,数据是规则,目标是明确,世界是如此简单和令人振奋。虽然也有一些杂音划耳而过,“机器学习算法的90%都是数据处理”,“数据清洗”、“数据增广”……直到自己进行AI算法解决实际工程问题,原来恩达老师讲的都是真的——算法工程的大部分实践都和数据“大泥巴”搅合在一起,数据要对齐、样本不平衡、数据标定等等。
flavorfan
2020-12-14
7770
【云+社区年度征文】TinyML实践-3:牛运动姿态识别的落地实现
TinyML最近几年才提出,TinyML的书去年才见到,中文版今年在国内才买到。TFLite micro技术也就今年左右才成熟。之前所有的依靠动物身上传感器进行姿态识别的,有一说一,应该都是经典的特征抽取,加上随机森林之类的经典算法实现的。实现起来,需要领域专家进行特征抽取,选择特征反复迭代;部署嵌入式由于实现困难有可能返回去修改模型,重新搞一套;解决完一个问题,新问题又得再来一次流程....
flavorfan
2020-12-11
1.1K0
【云+社区年度征文】TinyML实践-2:How TinyML Works?
对于Tensorflow最大需求是能够在桌面系统中训练并运行模型,这种需求影响了很多设计决策,例如为了更低的延迟和更多的功能而增加可执行文件的大小。云端服务器上,RAM以GB为衡量单位,存储空间以TB为单位,几百兆字节的二进制文件通常不是问题。
flavorfan
2020-12-07
1.7K0
TinyML实践-1:What & Why TinyML?
机器/深度学习已经如火如荼,各种炫目的效果呈现不穷,笔者也复现一些如stackoverflow assistence、头像动漫化等,但大都需要强大算力,“终端(手机)+云服务器”是基本结构。去年关注到Google TFLite Micro(TFLM)及技术,可以将Tensorflow 模型部署到嵌入式的端末设备(比如arm cortex M4 64M)。恰好手头有一个农业物联网项目,利用嵌入式设备识别牲畜的活动状态,应用了这一个技术。这段时间项目间隙,记录下开发过程的一些心得体会。
flavorfan
2020-12-07
2.3K1
基于云计算的 CV 移动交互应用研究:头部姿态估计综述(2)
导语 随便说说,其一,项目的原名是“CV移动交互应用的前后台框架”,为了高大上,起了个“云计算”;其二,这是动手写的第一篇,不过在规划里面第二篇,第一篇项目概述没想好;这篇文章主要来之IEEE的一篇文章,是CV算法实现方案的指导性综述。 1 概述 1.1 定义 头部姿态估计(Head Pose Estimate,HPE):利用计算机视觉和模式识别的方法在数字图像中判断人头部的朝向问题;头部姿态估计是一个空间坐标系内识别头部的姿态方向参数,也就是,头部位置参数(x,y,z) 和方向角度参数(Yaw,Pitch
flavorfan
2018-01-15
2.5K0
没有更多了
社区活动
【纪录片】中国数据库前世今生
穿越半个世纪,探寻中国数据库50年的发展历程
Python精品学习库
代码在线跑,知识轻松学
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档