- 显卡是M60的云服务器填写正确license 服务器后无法进行认证 显卡是M60的云服务器填写正确license 服务器后无法进行认证
- 介绍centos系统中grid license服务搭建 介绍centos系统中grid license服务搭建
- 一、EAST网络介绍EAST，An Efficient and Accurate Scene Text Detector：https://arxiv.org/abs/1704.03155v2EAST做文本检测只需要两步：先是一个全卷积的网络直接产生一个字符或者文本行的预测（可以是旋转的矩形或者不规则四边形），然后通过NMS（Non-Maximum Suppression）算法合并最后的结果。... 一、EAST网络介绍EAST，An Efficient and Accurate Scene Text Detector：https://arxiv.org/abs/1704.03155v2EAST做文本检测只需要两步：先是一个全卷积的网络直接产生一个字符或者文本行的预测（可以是旋转的矩形或者不规则四边形），然后通过NMS（Non-Maximum Suppression）算法合并最后的结果。...
- [线上模型挑战] ICNet 模型迁移（TensorFlow GPU To Ascend 910）记录, ICNet 主要用于图像实时语义分割，能够兼顾速度和准确性。 ICNet的主要思想是将输入图像变换为不同的分辨率，然后用不同计算复杂度的子网络计算不同分辨率的输入，然后将结果合并。 [线上模型挑战] ICNet 模型迁移（TensorFlow GPU To Ascend 910）记录, ICNet 主要用于图像实时语义分割，能够兼顾速度和准确性。 ICNet的主要思想是将输入图像变换为不同的分辨率，然后用不同计算复杂度的子网络计算不同分辨率的输入，然后将结果合并。
- 本文通过使用tensorflow，以手写数字识别为例，通过tensorflow常用的3种建模方式分别演示和介绍模型训练、模型保存、以及离线模型转换三个步骤，在下一篇(二)模型加载与运行推理中介绍转换后的模型如何部署与运行推理。 运行环境: Ubuntu 18.04 x86_64 本文通过使用tensorflow，以手写数字识别为例，通过tensorflow常用的3种建模方式分别演示和介绍模型训练、模型保存、以及离线模型转换三个步骤，在下一篇(二)模型加载与运行推理中介绍转换后的模型如何部署与运行推理。 运行环境: Ubuntu 18.04 x86_64
- 根据atlas300样例使用tensorflow模型转换，首先将cpkt模型文件转换为字典形式格式，即为，key-value，然后，根据自己的需要修改保存为pb文件的节点，最后使用omg进行转换。 注意不支持5维度，所以特别需要关注后处理。 根据atlas300样例使用tensorflow模型转换，首先将cpkt模型文件转换为字典形式格式，即为，key-value，然后，根据自己的需要修改保存为pb文件的节点，最后使用omg进行转换。 注意不支持5维度，所以特别需要关注后处理。
- 代码源文件放在下方附件中，请自取。 代码源文件放在下方附件中，请自取。
- 数据集下载位置：https://foodandfood1.obs.cn-north-4.myhuaweicloud.com:443/flower_photos.zip?AccessKeyId=PQNDUKNXKYOHOFXSDEDA&Expires=1636360547&Signature=%2BLINASwvdhfDU0UK9l8A12CvpTk%3D 数据集下载位置：https://foodandfood1.obs.cn-north-4.myhuaweicloud.com:443/flower_photos.zip?AccessKeyId=PQNDUKNXKYOHOFXSDEDA&Expires=1636360547&Signature=%2BLINASwvdhfDU0UK9l8A12CvpTk%3D
- moxing的编程方式和tensorflow estimator差不多，但是moxing编码更加简化，举例： 同样实现resnet50，moxing只需要100行代码，而tensorflow estimator实现需要1000行 moxing的编程方式和tensorflow estimator差不多，但是moxing编码更加简化，举例： 同样实现resnet50，moxing只需要100行代码，而tensorflow estimator实现需要1000行
- 前言鸢尾花识别是学习AI入门的案例，这里和大家分享下使用Tensorflow 2框架，编写程序，获取鸢尾花数据，搭建神经网络，最后训练和识别鸢尾花。鸢尾花识别——思路流程： 1）获取鸢尾花数据，分析处理。 2）整理数据位训练集，测试集。 3）搭建神经网络模型。 4）训练网络，优化网络模型参数。 5）保存最优的模型，进行鸢尾花识别。认识鸢尾花我们先认识下什么是鸢尾... 前言鸢尾花识别是学习AI入门的案例，这里和大家分享下使用Tensorflow 2框架，编写程序，获取鸢尾花数据，搭建神经网络，最后训练和识别鸢尾花。鸢尾花识别——思路流程： 1）获取鸢尾花数据，分析处理。 2）整理数据位训练集，测试集。 3）搭建神经网络模型。 4）训练网络，优化网络模型参数。 5）保存最优的模型，进行鸢尾花识别。认识鸢尾花我们先认识下什么是鸢尾...
- Open Neural Network Exchange（ONNX，开放神经网络交换）格式，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移。本文主要介绍了如何通过onnx将pytorch模型转换为tensorflow模型和pb格式，以及踩过的一些坑。 Open Neural Network Exchange（ONNX，开放神经网络交换）格式，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移。本文主要介绍了如何通过onnx将pytorch模型转换为tensorflow模型和pb格式，以及踩过的一些坑。
- 维度增加 tf.expand_dims(input,axis,name=None)维度减少 tf.squeeze(input,axis=None,name=None)转置 tf.transpose(a,perm=None,conjugate=False,name='transpose')a = tf.constant([[1,3],[5,7]])b = tf.constant([[2,4],... 维度增加 tf.expand_dims(input,axis,name=None)维度减少 tf.squeeze(input,axis=None,name=None)转置 tf.transpose(a,perm=None,conjugate=False,name='transpose')a = tf.constant([[1,3],[5,7]])b = tf.constant([[2,4],...
- 本章重点介绍“tf.data”和“tf.keras”这两个API的理论。“tf.data”APItf.data”API除GPU和TPU等硬件加速设备外，高效的数据输入管道也可以很大程度地提升模型性能，减少模型训练所需要的时间。数据输入管道本质是一个ELT（Extract、Transform和Load）过程：●Extract：从硬盘中读取数据（可以是本地的，也可以是云端的）。●Transfor... 本章重点介绍“tf.data”和“tf.keras”这两个API的理论。“tf.data”APItf.data”API除GPU和TPU等硬件加速设备外，高效的数据输入管道也可以很大程度地提升模型性能，减少模型训练所需要的时间。数据输入管道本质是一个ELT（Extract、Transform和Load）过程：●Extract：从硬盘中读取数据（可以是本地的，也可以是云端的）。●Transfor...
- 本章主要是阐述Tensorflow2.0的架构，并选取了两个重要的API进行简单介绍。作为全球最受欢迎、使用最为广泛的机器学习平台之一，TensorFlow在其发展的三年时间也是机器学习和人工智能发展最为迅猛的三年。TensorFlow2.0是一个重要的里程碑，其重心放在了简单性和易用性上，尽量降低用户使用的门槛。TensorFlow团队为其添加了许多的组件，在TensorFlow2.0里，... 本章主要是阐述Tensorflow2.0的架构，并选取了两个重要的API进行简单介绍。作为全球最受欢迎、使用最为广泛的机器学习平台之一，TensorFlow在其发展的三年时间也是机器学习和人工智能发展最为迅猛的三年。TensorFlow2.0是一个重要的里程碑，其重心放在了简单性和易用性上，尽量降低用户使用的门槛。TensorFlow团队为其添加了许多的组件，在TensorFlow2.0里，...
- 本章针对有TensorFlow1.0基础的学习者，如果没有了解过TensorFlow的小伙伴也可以直接跳过，不影响后续学习~从1.x到2.0的变化TensorFlow2.0在1.x的基础上做了重新设计，重点放在了提升开发人员的工作效率。TensorFlow2.0为了提升易用性做了很多改进，例如对API做了精简，删除了冗余的API，使得API更加一致（例如统一TensorFlow和tf.ker... 本章针对有TensorFlow1.0基础的学习者，如果没有了解过TensorFlow的小伙伴也可以直接跳过，不影响后续学习~从1.x到2.0的变化TensorFlow2.0在1.x的基础上做了重新设计，重点放在了提升开发人员的工作效率。TensorFlow2.0为了提升易用性做了很多改进，例如对API做了精简，删除了冗余的API，使得API更加一致（例如统一TensorFlow和tf.ker...
上滑加载中
推荐直播
-
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中 -
码道新技能，AI 新生产力——从自动视频生成到开源项目解析2026/04/08 周三 19:00-21:00
童得力-华为云开发者生态运营总监/何文强-无人机企业AI提效负责人
本次华为云码道 Skill 实战活动，聚焦两大 AI 开发场景：通过实战教学，带你打造 AI 编程自动生成视频 Skill，并实现对 GitHub 热门开源项目的智能知识抽取，手把手掌握 Skill 开发全流程，用 AI 提升研发效率与内容生产力。
回顾中 -
华为云码道：零代码股票智能决策平台全功能实战2026/04/18 周六 10:00-12:00
秦拳德-中软国际教育卓越研究院研究员、华为云金牌讲师、云原生技术专家
利用Tushare接口获取实时行情数据，采用Transformer算法进行时序预测与涨跌分析，并集成DeepSeek API提供智能解读。同时，项目深度结合华为云CodeArts（码道）的代码智能体能力，实现代码一键推送至云端代码仓库，建立起高效、可协作的团队开发新范式。开发者可快速上手，从零打造功能完整的个股筛选、智能分析与风险管控产品。
回顾中
热门标签