墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
197平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
当尝试在TensorFlow中修改图像尺寸时，有时候会遇到类似于"AttributeError: module ‘tensorflow._api.v image’ has no attribute ‘image’"的错误。这个错误表明在我们编写的代码中存在一些问题，导致TensorFlow模块无法找到名为’image’的属性。本文将介绍如何解决这个错误，并提供相应的源代码示例。
要修改图像尺寸，我们可以使用TensorFlow的图像处理工具来完成。首先，确保你已经正确安装了TensorFlow库。接下来，我们将通过一个示例代码来演示如何修改图像尺寸。
import tensorflow as tf
def resize_image(image_path, output_path, new_size):
# 读取图像文件
TensorFlow目标检测API从零实战：数据、训练到边缘部署全链路
目标检测是计算机视觉落地最广泛的技术之一，其核心在于模型如何定位并识别图像中的多个对象。本文围绕TensorFlow Object Detection API这一工业级框架，深入解析目标检测的基本原理——从区域建议、特征提取到边界框回归与分类；强调其在工程可控性、可审计性和跨平台部署上的独特价值；覆盖数据预处理（TFRecord规范）、模型选型（轻量vs精度权衡）、训练调优（梯度监控、学习率缩放）、SavedModel导出及TFLite边缘部署等关键技术环节；特别聚焦螺丝缺陷检测、工业质检等真实场景中高频出
TensorFlow认证实战：从数据管道到边缘部署的工程化重构
TensorFlow作为主流深度学习框架，其核心价值不仅在于模型构建，更在于端到端生产级落地能力。理解tf.data数据流水线原理、Keras Functional API的拓扑约束、tf.function图编译机制、SavedModel序列化规范及TFLite量化部署流程，是实现可复现、可监控、可压测AI系统的技术基础。这些能力直接支撑AI工程化、MLOps实践与智能硬件边缘推理等高频应用场景。本文聚焦TensorFlow Certified Developer认证所覆盖的真实工程断层，深入解析数据预处理
TensorFlow2手撕CNN：从卷积原理到可解释性实战
卷积神经网络（CNN）是深度学习处理图像数据的核心架构，其本质是通过局部感受野、权重共享和空间下采样实现高效特征提取。理解卷积层的数学原理——包括padding填充规则、stride滑动机制、输出尺寸推导及通道维度变换——是摆脱API黑箱、实现可控建模的关键基础。TensorFlow2凭借急切执行模式（Eager Execution）、tf.GradientTape自动微分与Keras高层封装的有机统一，为初学者提供‘边调试边理解’的学习路径，同时支持进阶者深入可视化特征响应与梯度流向。本文聚焦CNN最核心
TensorFlow生产落地三支柱：模型导出、服务化部署与稳定性保障
TensorFlow作为工业级机器学习框架，其核心价值不仅在于模型训练，更在于从训练完成到稳定上线的完整工程链路。理解SavedModel、冻结图与TFLite等模型导出机制，是实现轻量、可控、可维护推理的前提；掌握TensorFlow Serving的配置调优、gRPC高效通信与Docker镜像瘦身，则直接决定服务吞吐与资源效率；而基于Prometheus的指标监控、CPU降级预案与影子流量容灾，构成了生产环境高可用的底层基石。本文聚焦模型导出和服务化部署两大热词，结合真实产线案例，系统拆解TensorF
嵌入式Linux开发板AI部署实战：从MobileNet模型到API服务
边缘计算通过在数据源头就近处理信息，有效降低了延迟并保护了数据隐私，其核心原理是将计算任务从云端下沉至网络边缘的设备。这一技术价值在于为物联网、智能监控等场景提供了实时、可靠的本地智能解决方案。在嵌入式Linux平台上实现AI推理，通常涉及选择轻量级模型（如MobileNet、YOLO-Tiny）和高效的推理框架（如TensorFlow Lite）。通过模型量化与优化，即使在资源受限的ARM开发板（如平地铲开发板）上，也能成功部署并运行图像分类等AI应用，为嵌入式开发者验证AI落地提供了完整的实操路径。
PyTorch、TensorFlow、Keras工程本质对比：从训练到部署的范式差异
深度学习框架不仅是代码工具，更是隐含工程契约的技术载体。理解其底层原理——如计算图构建机制（静态图vs动态图）、内存管理策略（CUDA缓存vs TensorFlow内存池）、模型固化路径（SavedModel/TorchScript/ONNX）——是保障AI系统稳定落地的前提。Keras强调快速验证与确定性，TensorFlow聚焦全链路生产可控性，PyTorch则以调试自由换取部署复杂度。本文结合工业缺陷检测、金融时序预测与学术GNN复现三大真实场景，深入剖析框架在数据管道、混合精度、状态管理、服务化及监
基于YOLOv3与TensorFlow的铁路异物检测系统实战指南
目标检测是计算机视觉的核心任务之一，旨在识别图像中特定物体的位置与类别。其原理通常基于深度学习模型，通过卷积神经网络提取特征，并回归出物体的边界框。这项技术具有极高的工程价值，能够实现自动化、高精度的视觉感知，广泛应用于安防监控、自动驾驶、工业质检等领域。在铁路安全这一关键场景中，对轨道异物的实时检测是保障运输安全的重要需求。本文聚焦于利用经典的YOLOv3算法与TensorFlow框架，手把手教你构建一个铁路异物侵入检测系统。我们将从环境搭建、数据准备、模型训练到优化部署，详细解析整个流程，并融入对模型量
TensorFlow工业级计算机视觉实战：数据治理、模型演进与边缘部署
计算机视觉（CV）不仅是算法问题，更是端到端工程系统问题。其核心在于如何将原始图像数据可靠地转化为可部署、可维护、可验证的推理服务。TensorFlow凭借tf.data的数据图编译能力、tf.keras.Model子类化的架构可演进性、tf.function+XLA的确定性高性能编译、SavedModel的契约式交付标准，以及TFLite对边缘设备的深度优化支持，构成了面向真实产线的全栈CV工程底座。尤其在数据质量不可控、模型需渐进升级、部署环境受限（如CPU/嵌入式/低温工况）等工业场景中，Tensor
PyTorch与TensorFlow深度对比：从科研训练到工业部署的选型决策指南
深度学习框架是连接算法创新与工程落地的核心枢纽，其本质是自动微分、内存管理与硬件加速三位一体的计算图引擎。PyTorch以命令式执行提供极致调试自由与动态建模能力，适合快速原型、算法探索和复杂结构定制；TensorFlow则依托声明式契约与tf.function编译，在大规模分布式训练、TFX生产流水线及TensorFlow Lite边缘量化部署中展现确定性优势。二者在模型定义灵活性、数据加载优化策略（DataLoader vs tf.data）、分布式训练抽象层级（DDP显式控制 vs MirroredS
基于树莓派与TensorFlow Lite的智能门铃系统：从边缘计算到机器学习实践
边缘计算通过在数据源头就近处理信息，有效降低了延迟、节省了带宽并增强了隐私保护。其核心原理是将计算任务从云端下沉到网络边缘的设备上，如树莓派等嵌入式硬件。这一技术价值在于为物联网和智能家居场景提供了实时、可靠的本地智能决策能力。在计算机视觉应用中，结合轻量级机器学习框架（如TensorFlow Lite）和预训练模型（如MobileNet），可以在资源受限的设备上实现高效的图像识别与分类。这种技术组合特别适用于对实时性和隐私要求高的场景，例如智能安防、访客识别等。本文正是基于这一技术路径，详细阐述了如何利用
TensorFlow 2深度学习操作系统：Keras、Eager Execution与SavedModel实战指南
深度学习框架已从实验工具演进为可工程化落地的基础设施。TensorFlow 2通过Eager Execution实现Python原生交互，大幅降低调试门槛；Keras API成为统一建模标准，收敛训练、评估与部署全流程；tf.data构建声明式高性能数据流水线，解决IO瓶颈；SavedModel则定义了跨平台、跨语言的模型交付契约。这些能力共同构成面向生产环境的‘深度学习操作系统’——它不苛求用户掌握图计算或编译原理，而聚焦于如何用最直观的Python范式，将模型快速嵌入Excel、小程序、边缘设备甚至Ar
基于掌控板与TensorFlow Lite的嵌入式AI垃圾分类系统实践
图像分类是计算机视觉的基础技术，通过卷积神经网络提取特征并识别物体类别。其原理在于模型学习数据中的模式，实现自动化识别，技术价值在于将AI能力部署到资源受限的边缘设备，实现低延迟、高隐私的本地推理。在物联网和智能硬件领域，嵌入式AI应用广泛，如智能安防、工业质检等。本文聚焦垃圾分类场景，详细阐述了如何利用轻量化模型（如MobileNet）在掌控板（ESP32）上部署TensorFlow Lite模型，完成从数据采集、模型训练到嵌入式部署的全流程实践，其中涉及模型转换、内存优化等关键热词，并解决了舵机控制、电
TensorFlow 2.x目标检测模型TensorRT部署实战指南
目标检测模型部署是工业视觉落地的关键环节，其核心在于将训练完成的深度学习模型高效、稳定地转化为边缘设备可执行的推理引擎。TensorFlow 2.x Object Detection API虽提供完整训练流程，但其默认导出机制与TensorRT等推理优化框架存在语义鸿沟和算子兼容性断层；而TensorRT作为NVIDIA主流加速引擎，依赖静态图结构、确定性OP支持及精准内存对齐。本文聚焦于解决‘训得好、跑不动’的典型工程矛盾，围绕TF 2.x OD API模型向TensorRT的可控转换，系统阐述图结构净化
使用TensorFlow调整图像尺寸：属性错误：模块‘tensorflow._api.v2.image‘没有属性‘image‘
在使用TensorFlow处理图像时，有时候我们需要调整图像的尺寸以适应不同的应用场景。是目标尺寸的高度和宽度。最后，我们使用Matplotlib库来显示调整后的图像。本文将介绍如何解决这个问题并正确地使用TensorFlow来调整图像尺寸。替换为实际图像文件的路径，并根据需要设置目标尺寸。在使用TensorFlow调整图像尺寸时，如果遇到。下，因此我们需要相应地调整我们的代码。要解决这个错误，我们需要将代码中使用的。函数，并根据需要设置目标尺寸。在上面的代码中，我们首先使用。函数来调整图像的尺寸，其中。
Jetson Nano（1）——笔记本电脑控制
笔记本电脑控制Jetson Nano没有显示屏如何控制Jetson Nano一、使用ssh客户端连接到Jetson Nano的命令端1.将电脑的网线口和jetson nano的网线口通过网线连接2.在控制面版中打开“更改配适器设置”3.查找jetson nano的ip地址4.利用putty链接二、远程桌面配置 没有显示屏如何控制Jetson Nano Jetson Nano相当于一个微型电脑，能快...
警惕！数字签名伪造的攻防演练：用SigThief克隆证书的真实测试（Windows环境）
本文深入探讨了Windows环境下数字签名伪造的攻防技术，详细介绍了使用SigThief工具进行签名提取与克隆的实战步骤。通过真实测试案例，揭示了数字签名安全机制的潜在漏洞，并提供了有效的防御策略和检测技术，帮助安全人员提升系统防护能力。
STM32硬件SPI驱动ADS1255/1256避坑指南：从Cube MX配置到稳定采样实战
本文详细解析了使用STM32硬件SPI驱动高精度ADC芯片ADS1255/1256的完整流程与关键陷阱。重点阐述了Cube MX中SPI模式（必须为CPOL=1, CPHA=1）、数据帧格式（MSB First）及波特率（建议从256kHz起）的正确配置，并提供了分步读写时序的代码实现与逻辑分析仪调试方法，帮助开发者避开常见坑点，实现稳定可靠的高精度数据采样。
远程桌面（RDP）共享USB设备全攻略：不止Hyper-V，你的加密狗和CH340串口也能远程用
本文详细介绍了远程桌面（RDP）共享USB设备的完整解决方案，包括加密狗和CH340串口设备的远程使用技巧。通过RemoteFX USB重定向技术，用户可以在远程会话中无缝使用本地USB设备，提升工作效率。文章涵盖企业级配置、典型设备实战案例及高级故障排除方法，是远程工作者的实用指南。
基于YOLOv8与UI界面的校园垃圾分类督导系统
YOLO（You Only Look Once）是目前最为广泛使用的目标检测算法之一。它通过一次前向传递即完成目标检测，具有极高的速度与效率。YOLOv8是YOLO系列的最新版本，相比于之前的YOLO版本，YOLOv8在速度、精度、检测能力等方面都有了显著的提升。本项目通过结合YOLOv8模型与UI界面，成功实现了校园垃圾分类督导系统。该系统能够自动识别不同类型的垃圾，并通过UI界面实时展示垃圾分类的结果。
22、常见加密哈希算法及安全机制解析
本文详细解析了多种常见加密哈希算法，包括SHA系列、RIPEMD、Tiger、HAVAL、Whirlpool等，涵盖其工作原理、安全性与性能对比。同时探讨了哈希攻击方式如预映像攻击和彩虹表，并介绍了盐、MAC、HMAC等防御机制。结合密码存储、消息完整性验证及区块链应用案例，分析了不同场景下的算法选择建议，并展望了哈希算法在创新、融合与标准化方面的未来发展趋势。
把 LLM 编排能力塞进 ABAP 系统里，ZLLM 仓库的工程价值与 SAP 落地场景
ZLLM项目将LLM应用开发中的常见工程问题引入ABAP原生环境，为SAP系统提供AI工作流构建能力。它类似ABAP版的LangChain，支持Chain组合、Prompt模板、状态传递等核心功能，强调纯ABAP实现、延迟执行以及与ABAP数据结构的深度集成。项目包含工厂类、LLM客户端、负载均衡器等模块，特别设计了能处理ABAP内表和结构的模板引擎，使业务数据可直接用于Prompt生成。通过Step和Flow机制支持复杂业务过程编排，并采用延迟执行和并行处理优化批量任务性能。该项目为ABAP开发者提供了在
IPGUARD客户端与应用程序冲突
客户端与应用程序冲突 症状 安装客户端之后，客户端的某些程序无法运行或使用过程中出现异常，卸载客户端后恢复正常。 原因分析 可能是客户端的某些功能与应用程序发生冲突导致。 解决方法 当出现这样的情况时，可以按照以下步骤确认。 步骤1：屏蔽主动注入 在客户端配置策略中，增加配置策略hookapi_disinj，值为1；待策略同步到客户端后，重启客户端确认问题是否解决。如果解决，则转到...
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
334
扫一扫
