首页
学习
活动
专区
工具
TVP
发布

深度应用

专栏成员
242
文章
498581
阅读量
35
订阅数
[开发技巧]·TensorFlow中numpy与tensor数据相互转化(支持tf1.x-tf2.x)
鉴于tensorflow目前正在更新2.0版本,博主对博客也新增了适用于2.0版本动态度转换方法,更新于 --2019//09//29
小宋是呢
2022-12-02
6330
『开发技巧』解决RTX 2060 TensorFlow CUDNN_STATUS_INTERNAL_ERROR错误
问题描述 在使用RTX 2060 开发TensorFlow 1x 版本遇到一个错误,如下: 2020-07-20 22:08:55.555961: E tensorflow/stream_executor/cuda/cuda_dnn.cc:329] Could not create cudnn handle: CUDNN_STATUS_INTERNAL_ERROR 2020-07-20 22:08:55.571109: E tensorflow/stream_executor/cuda/cuda_dnn.
小宋是呢
2022-03-07
4880
『带你学AI』极简安装TensorFlow2.x的CPU与GPU版本教程
本篇文章就带领大家用最简单地方式安装TF2.0正式版本(CPU与GPU),由我来踩坑,方便大家体验正式版本的TF2.0。
小宋是呢
2022-01-21
2.4K0
『带你学AI』开发环境配置之Windows10篇:一步步带你在Windows10平台开发深度学习
1. 章节一:初探AI(《带你学AI与TensorFlow2实战一之深度学习初探》):(已完成)
小宋是呢
2021-01-06
1.7K0
『带你学AI』测试深度学习框架GPU版本是否正确安装方法:TensorFlow,PyTorch,MXNet,PaddlePaddle
在深度学习框架GPU版本安装成功后,需要测试一下是否成功安装。GPU版本不像CPU版本的简单,CPU版本测试一般只需import一下测试是否能正确导入即可。GPU版本还需要测试CUDA或者GPU模块是否能正确调用起来。
小宋是呢
2021-01-04
5400
『AI实践学』测试深度学习框架GPU版本是否正确安装方法:TensorFlow,PyTorch,MXNet,PaddlePaddle
在深度学习框架GPU版本安装成功后,需要测试一下是否成功安装。GPU版本不像CPU版本的简单,CPU版本测试一般只需import一下测试是否能正确导入即可。GPU版本还需要测试CUDA或者GPU模块是否能正确调用起来。
小宋是呢
2020-10-10
1.1K0
『算法理论学』深度学习推理加速方法之网络层与算子融合
网络层与算子融合是非常有效的方法,本文将配合TensorRT与tflite推理框架介绍下网络层与算子融合的原理与应用。
小宋是呢
2020-08-31
3.6K0
『TensorFlow2.0正式版』TF2.0+Keras速成教程·零:开篇简介与环境准备
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
小宋是呢
2019-10-22
1.7K0
[TensorFlow 填坑之旅]不断更新中...
版权声明:版权所有--小宋是呢-- yansongsong.cn -- 欢迎转载 https://blog.csdn.net/xiaosongshine/article/details/85071928
小宋是呢
2019-06-28
6580
[开发工具]·pip conda 使用国内源加速
以前使用默认源,有时候下载速度会很慢,所以找了一些国内的pip,conda源,下载的时候可以加速,使用起来也很简单。
小宋是呢
2019-06-27
3K0
[PyTorch小试牛刀]实战一·使用PyTorch拟合曲线(对比PyTorch与TensorFlow实现的区别)
在深度学习入门的博客中,我们用TensorFlow进行了拟合曲线,到达了不错的效果。 我们现在使用PyTorch进行相同的曲线拟合,进而来比较一下TensorFlow与PyTorch的异同。 搭建神经网络进行训练的步骤基本相同,我们现在开始用PyTorch来实现。
小宋是呢
2019-06-27
4.1K0
[开发技巧]·PyTorch中Numpy,Tensor与Variable深入理解与转换技巧
我们使用Numpy也是可以手动去编写神经网络进行反向传播深度学习的,就是有两个问题,
小宋是呢
2019-06-27
1.9K3
[开发技巧]·深度学习使用生成器加速数据读取与训练简明教程(TensorFlow,pytorch,keras)
在深度学习里面有句名言,数据决定深度应用效果的上限,而网络模型与算法的功能是不断逼近这个上限。由此也可以看出数据的重要程度。
小宋是呢
2019-06-27
9580
[深度学习概念]·DenseNet学习笔记(代码实现PyTorch)
在计算机视觉领域,卷积神经网络(CNN)已经成为最主流的方法,比如最近的GoogLenet,VGG-19,Incepetion等模型。CNN史上的一个里程碑事件是ResNet模型的出现,ResNet可以训练出更深的CNN模型,从而实现更高的准确度。ResNet模型的核心是通过建立前面层与后面层之间的“短路连接”(shortcuts,skip connection),这有助于训练过程中梯度的反向传播,从而能训练出更深的CNN网络。今天我们要介绍的是DenseNet模型,它的基本思路与ResNet一致,但是它建立的是前面所有层与后面层的密集连接(dense connection),它的名称也是由此而来。DenseNet的另一大特色是通过特征在channel上的连接来实现特征重用(feature reuse)。这些特点让DenseNet在参数和计算成本更少的情形下实现比ResNet更优的性能,DenseNet也因此斩获CVPR 2017的最佳论文奖。本篇文章首先介绍DenseNet的原理以及网路架构,然后讲解DenseNet在Pytorch上的实现。
小宋是呢
2019-06-27
5.6K0
[TensorFlow深度学习入门]实战二·使用TensorFlow拟合直线
拟合直线 y =(2x -1) + 0.1(-1到1的随机值) 给定x范围(0,3) 可以使用学习框架 建议使用 y = w * x + b 网络模型
小宋是呢
2019-06-27
5050
[TensorFlow深度学习入门]实战三·使用TensorFlow拟合曲线
[深度学习入门]实战三·使用TensorFlow拟合曲线 问题描述 拟合y= x*x -2x +3 + 0.1(-1到1的随机值) 曲线 给定x范围(0,3) 问题分析 在上篇博客中,我们使用最简单的y=wx+b的模型成功拟合了一条直线,现在我们在进一步进行曲线的拟合。简单的y=wx+b模型已经无法满足我们的需求,需要利用更多的神经元来解决问题了。 生成数据 import numpy as np import matplotlib.pyplot as plt import ten
小宋是呢
2019-06-27
2.6K0
[TensorFlow深度学习入门]实战四·逻辑回归鸢尾花进行分类(对比均方根误差与softmax交叉熵误差区别)
[TensorFlow深度学习入门]实战四·逻辑回归鸢尾花进行分类 问题描述 数据集 鸢尾花数据集下载地址 鸢尾花数据集包含四个特征和一个标签。这四个特征确定了单株鸢尾花的下列植物学特征: 1、花萼长度 2、花萼宽度 3、花瓣长度 4、花瓣宽度 该标签确定了鸢尾花品种,品种必须是下列任意一种: 山鸢尾 (0) 变色鸢尾 (1) 维吉尼亚鸢尾 (2) 代码 使用均方根误差 import numpy as np import pandas as pd import matplotlib.py
小宋是呢
2019-06-27
1.6K0
[TensorFlowJS只如初见]实战二·使用TensorFlowJS拟合直线
[TensorFlowJS只如初见]实战二·使用TensorFlowJS拟合直线 问题描述 拟合直线 y =(2x -1) + 0.1(-1到1的随机值) 给定x范围(0,3) 可以使用学习框架 建议使用 y = w * x + b 网络模型 代码 1、通过操作(ops)来直接完成模型 <html> <head> <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs"> </script> </head> <body>
小宋是呢
2019-06-27
6380
[TensorFlowJS只如初见]实战三·使用TensorFlowJS拟合曲线
[TensorFlowJS只如初见]实战三·使用TensorFlowJS拟合曲线 问题描述 拟合y= x*x -2x +3 + 0.1(-1到1的随机值) 曲线 给定x范围(0,3) 问题分析 在直线拟合博客中,我们使用最简单的y=wx+b的模型成功拟合了一条直线,现在我们在进一步进行曲线的拟合。简单的y=wx+b模型已经无法满足我们的需求,需要利用更多的神经元来解决问题了。 代码 <html> <head> <script src="https://cdn.jsdelivr
小宋是呢
2019-06-27
9300
[TensorFlowJS只如初见]实战四·使用TensorFlowJS拟合曲线(类似TensorFlow原生实现方法)
[TensorFlowJS只如初见]实战四·使用TensorFlowJS拟合曲线(类似TensorFlow原生实现方法) 问题描述 拟合y= x*x -2x +3 + 0.1(-1到1的随机值) 曲线 给定x范围(0,3) 问题分析 在直线拟合博客中,我们使用最简单的y=wx+b的模型成功拟合了一条直线,现在我们在进一步进行曲线的拟合。简单的y=wx+b模型已经无法满足我们的需求,需要利用更多的神经元来解决问题了。 代码 <html> <head> <script src="
小宋是呢
2019-06-27
6980
点击加载更多
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