青鸠的博客

使用tensorflow-serving部署模型TensorFlow训练好的模型以tensorflow原生方式保存成protobuf文件后可以用许多方式部署运行。例如：通过 tensorflow-js 可以用javascrip脚本加载模型并在浏览器中运行模型。通过 tensorflow-lite 可以在移动和嵌入式设备上加载并运行TensorFlow模型。通过 tensorflow-serving 可以加载模型后提供网络接口API服务，通过任意编程语言发送网络请求都可以获取模型预测结果。通过 te

模型的层layers深度学习模型一般由各种模型层组合而成。tf.keras.layers内置了非常丰富的各种功能的模型层。例如，layers.Dense,layers.Flatten,layers.Input,layers.DenseFeature,layers.Dropoutlayers.Conv2D,layers.MaxPooling2D,layers.Conv1Dlayers.Embedding,layers.GRU,layers.LSTM,layers.Bidirectional等等。如

评估函数及回调函数

损失函数，优化器，评估函数及回调函数

模型训练的方式有三种：内置fit方法，内置train_on_batch方法，自定义训练循环。注：fit_generator方法在tf.keras中不推荐使用，其功能已经被fit包含。import numpy as np import pandas as pd import tensorflow as tffrom tensorflow.keras import * #打印时间分割线@tf.functiondef printbar(): ts = tf.timestamp()

构建模型的三种方法构建模型有三种方法：使用Sequential按层顺序构建模型，使用函数式API构建任意结构模型，继承Model基类构建自定义模型。对于顺序结构的模型，优先使用Sequential方法构建。如果模型有多输入或者多输出，或者模型需要共享权重，或者模型具有残差连接等非顺序结构，推荐使用函数式API进行创建。如果无特定必要，尽可能避免使用Model子类化的方式构建模型，这种方式提供了极大的灵活性，但也有更大的概率出错。下面以IMDB电影评论的分类问题为例，演示3种创建模型的方法。imp

数据管道Dataset如果需要训练的数据大小不大，例如不到1G，那么可以直接全部读入内存中进行训练，这样一般效率最高。但如果需要训练的数据很大，例如超过10G，无法一次载入内存，那么通常需要在训练的过程中分批逐渐读入。使用 tf.data API 可以构建数据输入管道，轻松处理大量的数据，不同的数据格式，以及不同的数据转换。1，构建数据管道可以从 Numpy array, Pandas DataFrame, Python generator, csv文件, 文本文件, 文件路径, tfrecord

图片数据的常用训练步骤由于mnist数据集的别捷性，在讲解原理性的知识时，是首选的数据集。本文整理了一个模型从数据及准备到训练的完整步骤，可以作为模板使用。一、数据集的加载这一步是将数据标注工具标注完的数据加载到内存的过程，关于数据标注的具体内容请参考 深度学习，先学会制作自己的数据集由于是深度学习的起步阶段，我们先简单试用一下mnist数据集。from __future__ import absolute_import, division, print_function, unicode_li

张量的数学运算张量数学运算主要有：标量运算，向量运算，矩阵运算，张量运算采用的广播机制。张量的数学运算符可以分为标量运算符、向量运算符、以及矩阵运算符。加减乘除乘方，以及三角函数，指数，对数等常见函数，逻辑比较运算符等都是标量运算符。标量运算符的特点是对张量实施逐元素运算。有些标量运算符对常用的数学运算符进行了重载。并且支持类似numpy的广播特性。许多标量运算符都在 tf.math模块下。一、标量运算import tensorflow as tfimport numpy as npa

本文参考文章import tensorflow as tfimport numpy as nptf.__version__'2.2.0'一、创建常量#创建常量a=tf.constant([1,2,3],dtype=tf.float32)tf.print(a)[1 2 3]#创建指定范围指定步长的列表b=tf.range(1,10,2)tf.print(b)[1 3 5 7 9]#创建指定个数和指定范围的等差数列列表c=tf.linspace(0.0,2*3.14