- 博客(8)
- 收藏
- 关注
RSS订阅原创 virtualenv使用参考
virualenv --system-site-packages env 这个命令可以使用原生python环境的site-packages里面已安装的第三方依赖，我觉得很好用。 这样我可以先创建一个只安装通用第三方package的base环境，然后运行上述命令创建一个只需安装特定第三方package的虚拟环境。相对anaconda感觉很轻便。 创建完成后，进入虚拟环境： source $ENV_PATH/bin/activate 我一般会在项目所在的目录下创建一个env.sh，内容如下： #!/usr/
2021-09-29 10:52:52
261
原创 ubuntu16.04安装python3.7
安装必要依赖 sudo apt-get install libbz2-dev libncurses5-dev libgdbm-dev liblzma-dev sqlite3 libsqlite3-dev openssl libssl-dev tcl8.6-dev tk8.6-dev libreadline-dev zlib1g-dev uuid-dev libffi-dev 防止在make时无法找到或者无法编译某些依赖，例如_ssl、readline、uuid、_ctypes等。 配置安装项 ./conf
2021-09-28 23:39:55
926
原创 TF2.x的keras模型保存与加载
TF2.x的keras模型保存与加载keras模型的保存keras 模型的加载 传送门：官方文档 这里只想简单记录应用时遇到的一些坑。 keras模型的保存 假设有模型如下： keras模型的有三种形式： 使用model.save 此种方式可以hdf5格式或者saved_model格式保存整个模型。 import tensorflow as tf from tensorflow import keras model = keras.applications.ResNet50() # 以h5的形式保存整
2021-09-01 19:39:36
2518
原创 基于tf2.x的keras训练的模型转成tf1.x版本
基于tf2.x的keras训练的模型转成tf1.x版本写在前面第一步：保证在tf1.x环境下正确导入tf2.x的权重在TF2.x只保存模型的权重在TF1.x下定义模型结构并导入TF2.x保存的权重第二步，转成TF1.x的saved_model 写在前面 我训练使用的是TF2.3，部分业务场景需要将模型转到TF1.14版本进行部署。 训练的模型是基于keras的预训练，外加自己添了一点东西。 TF2.x的模型转到TF1.x之后存在精度损失，因模型而异。 第一步：保证在tf1.x环境下正确导入tf2.x的权重
2021-08-31 21:51:12
1278
3
原创 tensorflow_serving通过model_config_file进行模型部署以及更新部署
tensorflow_serving通过model_config_file进行模型部署以及更新部署TF Serving模型部署docker方式第一种方式第二种方式，通过model_config_file进行部署（推荐） TF Serving TF Serving架构具体包括：servables、loaders、sources、managers和core，具体内容参照tensorflow servi...
2019-05-31 14:10:13
5961
原创 PFM格式图像和读取middlebury 数据集
PFM格式图像和读取middlebury 数据集PFM格式图像图像格式Middlebury 2014数据集数据集介绍读取Middlebury数据集中视差图生成depth map PFM格式图像 http://www.pauldebevec.com/Research/HDR/PFM/ https://linux.die.net/man/5/pfm PFM (Portable Float Map)，是...
2019-04-10 16:33:44
12929
6
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人