- 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
-
探秘仓颉编程语言：华为开发者空间的创新利器2025/02/22 周六 15:00-16:30
华为云讲师团
本期直播将与您一起探秘颉编程语言上线华为开发者空间后，显著提升开发效率，在智能化开发支持、全场景跨平台适配能力、工具链与生态完备性、语言简洁与高性能特性等方面展现出的独特优势。直播看点： 1.java转仓颉的小工具 2.仓颉动画三方库lottie 3.开发者空间介绍及如何在空间用仓颉编程语言开发
即将直播 -
大模型Prompt工程深度实践2025/02/24 周一 16:00-17:30
盖伦 华为云学堂技术讲师
如何让大模型精准理解开发需求并生成可靠输出？本期直播聚焦大模型Prompt工程核心技术：理解大模型推理基础原理，关键采样参数定义，提示词撰写关键策略及Prompt工程技巧分享。
去报名 -
华为云 x DeepSeek：AI驱动云上应用创新2025/02/26 周三 16:00-18:00
华为云 AI专家大咖团
在 AI 技术飞速发展之际，DeepSeek 备受关注。它凭借哪些技术与理念脱颖而出？华为云与 DeepSeek 合作，将如何重塑产品与应用模式，助力企业数字化转型？在华为开发者空间，怎样高效部署 DeepSeek，搭建专属服务器？基于华为云平台，又该如何挖掘 DeepSeek 潜力，实现智能化升级？本期直播围绕DeepSeek在云上的应用案例，与DTSE布道师们一起探讨如何利用AI 驱动云上应用创新。
去报名
热门标签