取回操作的输出内容,可以在使用Session对象的run()调用 执行图时，传入一些tensor，这些tensor会帮助你取回结果，在之前的例子里，我们只取回了单个节点state,但是你也可以取回多个tensor:input1=tf.constant(3.0) input2=tf.constant(2.0) input3=tf.constant(5.0) intermed=tf.add(input2,input3) mul=tf.mul(input,intermed) with tf.Session() as sess:     result=sess.run([mul,intermed])     print(result)      # 输出: # [array([21.],dtype=float32),array([7.],dtype=float32)]　　需要获取的多个tensor值,在op的一次运行中一起获得(而不是逐个去获取tensor)

TensorFlow 的 Python 版本使用最为广泛。作为一个 Python 包，TensorFlow 和其他 Python 包的安装方法区别不大，使用 Python 的包管理器 pip 即可。具体步骤如下：    1. 安装 Python 环境。此处建议安装 Anaconda 。这是一个开源的 Python 发行版本，提供了一个完整的科学计算环境，包括 NumPy、SciPy 等常用科学计算库。当然，你有权选择自己喜欢的 Python 环境。    2. 使用 Anaconda 自带的 conda 包管理器建立一个 Conda 虚拟环境，并进入该虚拟环境。在命令行下输入以下命令：# 建立虚拟环境# “tf2.0”是你建立的 Conda 虚拟环境的名字# python=3.7 代表该虚拟环境的 Python 版本为 3.7conda create --name tf2.0 python=3.7# 进入名为“tensorflow”的虚拟环境conda activate tf2.0          3. 使用 Python 包管理器 pip 安装 TensorFlow。在命令行下输入以下命令： pip install tensorflow==2.0.0-beta1     # TensorFlow CPU 版本

一　　TensorFlow 使用 张量（Tensor）作为数据的基本单位。二　　TensorFlow 的张量在概念上类似于多维数组，我们可以使用它来描述数学中的标量（0 维数组）、向量（1 维数组）、矩阵（2 维数组）等各种量。三　　张量的重要属性是其形状、类型和值。可以通过张量的shape、dtype属性和numpy()方法获得。

通过Docker运行TensorFlow　　该方式的优点是不用操心软件依赖问题。方法　　首先，安装Docker，一旦Docker已经启动运行，可以通过命令启动一个容器:$ docker run -it b.gcr.io/tensorflow/tensorflow　　该命令将启动一个已经安装好的TensorFlow及相关依赖的容器。其它镜像 　　默认的 Docker 镜像只包含启动和运行 TensorFlow 所需依赖库的一个最小集. 我们额外提供了 下面的容器, 该容器同样可以通过上述 docker run 命令安装:　　b.gcr.io/tensorflow/tensorflow-full: 镜像中的 TensorFlow 是从源代码完整安装的, 包含了编译和运行 TensorFlow 所需的全部工具。　　在该镜像上, 可以直接使用源代码进行实验, 而不需要再安装上述的任何依赖.

　　我们推荐使用virtualenv创建一个隔离的容器，来安装TensorFlow，这是可选的，但是这样做能使排查安装问题变得更容易。　　首先，安装所有必备工具：# 在Linux上: $ sudo apt-get install python-pip python-dev python-virtualenv # 在Mac上: $ sudo easy_install pip #没有安装pip则安装 $ sudo pip install --upgrade virtualenv　　接下来，建立一个全新的virtualenv环境，为了将环境建在~/tensorflow目录下，执行:$ virtualenv --system-site-packages ~/tensorflow $ cd ~/tensorflo　　然后，激活virtualenv:$ source bin/activate #如果使用bash $ source bin/activate.csh #如果使用csh (tensorflow)$ #提示符将变化为tensorflow

Pip 安装 首先安装 pip (或 Python3 的 pip3 ):# Ubuntu/Linux 64-bit $ sudo apt-get install python-pip python-dev # Max OS X $ sudo easy_install pip安装TensorFlow# Ubuntu/Linux 64-bit, CPU only, Python 2.7: $ sudo pip install --upgrade   # Ubuntu/Linux 64-bit, GPU enabled, Python 2.7 Requires CUDA toolkit 7.5 and CuDNN v4. # For other versions, see "Install from sources" below. $ sudo pip install -upgrade -0.8.0-cp27-none-linux_x86_64.whl # Mac OS X, CPU only: $ sudo easy_install --upgrade six $ sudo pip install --upgrade https://storage.googleapis.com/tensorflow/mac/tensorflow-0.8.0-py2-none-any.whl如果是Python3# Ubuntu/Linux 64-bit, CPU only,Python 3.4: $ sudo pip3 install --upgrade   # Ubuntu/Linux 64-bit, GPU enabled, Python 3.4. Requires CUDA toolkti 7.5 and CuDNN v4. # For other versions, see "Install from sources" below. $ sudo pip3 install --upgrade   # Mac OS X, CPU only: $ sudo easy_install --upgrade six $ sudo pip3 install --upgrade https://storage.googleapis.com/tensorflow/mac/tensorflow-0.8.0-py3-none-any.whl备注：如果之前安装过TensorFlow<0.7.1的版本，应该使用pip uninstall卸载TensorFlow和protobuf，保证获取的是一个最新protobuf依赖下的安装包。

最近的项目用到了mindspore框架，关于如何手把手在自己电脑上运行一个完整的例子，大家可以去官网中的教程中查看：https://www.mindspore.cn/tutorial/training/zh-CN/master/quick_start/quick_start.html你也可以直接跳过基础版，使用进阶版，如何利用华为载有Ascend（昇腾910，华为自研的人工智能芯片）的服务器上运行代码，大家按照这个例子来：https://www.mindspore.cn/tutorial/training/zh-CN/master/advanced_use/use_on_the_cloud.html#ai这里有几个问题需要大家注意一下：1.如何创建OBS桶；2.如何创建训练任务；3.深入认识--data_url和--train_url这两个参数，这两个参数需要你在自己的代码中进行一个重写，即你加载的数据集以及训练的输出是需要在代码中给出参数的，不必赋值（赋值在创建训练任务的的时候自动进行），写出即可：例：//-----------------------------------------------------------------------------------------------------//下面是我在项目过程中遇到的一些问题和相应的解决方法：1.最开始，我是参照这个链接来运行（这是另一种使用服务器的方法，即不用在线创建训练作业）的，教你如何在Pycharm上使用相关toolkit使用modelarts（即华为的服务器平台），但是我忽略了一点，这个例子中使用的深度学习框架是MXNet，我仿照他的方式对我使用mindspore框架的源码进行修改，最关键的部分就是参考它是如何将 数据集路径 加载进来的，仿照他的方式改好后，产生了第一个令我头大的问题：ValueError: The folder s3://modelarts-zjw/Mnist_data/train/ does not exist or permission denied!，即我的路径是不存在的或者没有访问权限，我分别再代码里添加了1.os.file.exist(path),来检验是否存在，输出True2.os.access(path,R_OK),检验是否有权限读取，输出False事实证明，问题出现在了这里，这个问题我尝试解决了很久，但没有能够解决，因为是mindspore的源码报错，后来官方给的说法是，使用Pycharm这种方法确实不行，原因大概是，服务器在执行时，会在服务器本地创建一个桶的虚拟映射（类似缓存），进而达到访问桶中数据的目的，通过在网页上创建训练任务可以完成这种映射，但是在pycharm上不可以，目前只在使用mindspore框架时遇到了这种问题。所以建议大家不要用pycharm，还是直接在网页上创建训练任务比较靠谱。//------------------------------------------------------------------------------------------------------//1.自定义 callback 类我们可以理解为回调函数，正是通过这种回调函数可以实现我们对训练过程中的参数进行打印，举个例子： class EvalCallBack(Callback):    def __init__(self, batch_size):        super(EvalCallBack, self).__init__()        self.batch_size = batch_size        self.last_step = 0        self.epoch_begin_time = 0     def step_begin(self, run_context):        self.step_begin_time = time.time() #在每一个step开始时，获取当前时间     def step_end(self, run_context):        step_time = time.time() - self.step_begin_time #在每一个step结束时，计算每个step花费的时间        print(f'step time: {step_time}')     def epoch_begin(self, run_context):        self.epoch_begin_time = time.time() #在每一个epoch开始时，获取当前时间     def epoch_end(self, run_context):        params = run_context.original_args()        cost_time = time.time() - self.epoch_begin_time        train_steps = params.cur_step_num -self.last_step #获取epoch结束时一共经过了多少个step        print("----")        print(f'epoch {params.cur_epoch_num} cost time = {cost_time}, train step num: {train_steps}, '              f'one step time: {1000*cost_time/train_steps} ms, '              )        self.last_step = run_context.original_args().cur_step_num这里值得注意的是：step_num = len(dataset) // batch_size 还有loss，也可以通过回调来进行打印loss = LossMoniter（）这样就可以实现每一个step结束后，打印这个step的loss值def epoch_end(self, run_context):        params = run_context.original_args()        cost_time = time.time() - self.epoch_begin_time        loss = params.net_outputs        train_steps = params.cur_step_num -self.last_step #获取epoch结束时一共经过了多少个step        print("----")        print(f'epoch {params.cur_epoch_num} cost time = {cost_time}, train step num: {train_steps}, '              f'one step time: {1000*cost_time/train_steps} ms, '              f'loss: {loss}'               )        self.last_step = run_context.original_args().cur_step_num2.自定义保存ckpt文件和计算图#这里解释一下这两个参数, 1.save_checkpoint_steps:每xx个step保存一次ckpt文件2.keep_checkpoint_max:最多保存多少个ckpt文件，从最后一个算起，最先保存的会被删掉 config_ck = CheckpointConfig(save_checkpoint_steps = 900, keep_checkpoint_max = 10) #1.prefix:ckpt文件的名称#2.directory:模型保存的位置，我们又见到了train_url这个参数#3.config_ck:配置方式 ckpoint_cb = ModelCheckpoint(prefix = "checkpoint_lenet", directory=args.train_url, config = config_ck)这里又有一个小问题，就是，我发现即使我的路径是完全没得问题的，但是当模型运行结束后，我去查看我桶中特定的路径，并没有发现保存的文件。于是我就采用了这样的方式import moxmox.file.shift('os', 'mox')#将原有的os文件操作替换为mox,（如果需要） print(f'Start save model')local_checkpoint_path = './cache/model_path' #在服务器上设置一个文件夹，用来暂时保存模型config_ck = CheckpointConfig(save_checkpoint_steps = 900, keep_checkpoint_max = 10)ckpoint_cb = ModelCheckpoint(prefix = "checkpoint_lenet", directory=local_checkpoint_path, config = config_ck)#注意这里将模型先保存在服务器中的文件夹mox.file.copy_parallel(src_url=local_checkpoint_path, dst_url=args.train_url)#再将服务器文件夹里的文件copy到桶里的文件夹注意：MoXing是华为云ModelArts团队自研的分布式训练加速框架，它构建于开源的深度学习引擎TensorFlow、MXNet、PyTorch、Keras之上。 相对于TensorFlow和MXNet原生API而言，MoXing API让模型代码的编写更加简单，允许用户只需要关心数据输入(input_fn)和模型构建(model_fn)的代码，即可实现任意模型在多GPU和分布式下的高性能运行，降低了TensorFlow和MXNet的使用门槛。另外，MoXing-TensorFlow还将支持自动超参选择和自动模型结构搜索，用户无需关心超参和模型结构，做到模型全自动学习。学习链接：https://github.com/huaweicloud/ModelArts-Lab/tree/master/docs/moxing_api_doc————————————————原文链接：https://blog.csdn.net/qq_41368074/article/details/109790513

漏洞名称 : Google TensorFlow远程代码执行漏洞 CVE-2021-37678组件名称 : Google TensorFlow影响范围 : Google TensorFlow < 2.6.0漏洞类型 : 远程代码执行利用条件 :1、触发方式：远程2、利用条件：需要用户运行有漏洞的机器学习模型项目综合评价 :<综合评定利用难度>：中等，需要用户运行有漏洞的机器学习模型项目。<综合评定威胁等级>：高危，能造成远程代码执行。漏洞分析：1、组件介绍Google TensorFlow 是美国谷歌（Google Chrome）公司的一套用户机器学习的端到端开源平台。Google TensorFlow 是拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源，可助力研究人员推动先进机器学习技术的发展，并使开发者能够轻松地构建和部署由机器学习提供支持的应用。2、漏洞描述2021年8月23日，深信服安全团队监测到一则Google TensorFlow组件存在远程代码执行漏洞的信息，漏洞编号：CVE-2021-37678，漏洞威胁等级：高危。该漏洞是由于从yaml格式反序列化 Keras 模型时，未对输入的数据做有效验证，攻击者可利用该漏洞构造恶意数据，造成远程代码执行攻击。影响范围：Google TensorFlow 是著名的机器学习模型，在机器学习领域应用比较广泛。目前受影响的Google TensorFlow版本：Google TensorFlow < 2.6.0解决方案：1、如何检测组件系统版本在 cmd 界面输入：python   在 python 环境中输入 ：import tensorflow as ftft.__version__即可得到版本号。2、官方修复建议当前官方已发布最新版本，建议受影响的用户及时更新升级到最新版本。链接如下：https://github.com/tensorflow/tensorflow/releases参考链接：1.https://github.com/tensorflow/tensorflow/security/advisories/GHSA-r6jx-9g48-2r5r2.https://github.com/tensorflow/tensorflow/releases

yolov3在移植过程中，我只保留了tensorflow 最后输出的卷积层，本模型输出为NHWC 和float32，我都在最后利用transpose和cast算子该为NCHW和float16，然后根据文档在pbtxt中添加相关结构，再转为pb文件移植的时候出现错误，见下图

做机器学习和深度学习第一步即搭建环境，现有的一些成熟框架大部分为国外开发，使用起来很不友好。初入学习，仅仅是想在现有环境下复现一下代码，当初搭建这个用了三天才弄好，看了无数的教程贴，尝试了各种方法，仅做学习记录和分享。以windows10+anaconda+tensorflow2.3.0+python3.7为例电脑硬件及系统要求：NVIDIA显卡、显卡驱动>418.X、CUDA版本为10.1、cudnn版本>7.6环境管理必备Anaconda软件，使用教程网上一堆（安装很简单，环境变量最好手动添加，安装好之后首先换源）CPU版本搭建#创建名为tensorflowcpu，python版本为3.7的环境conda create -n tensorflowcpu python=3.7 -y#激活tensorflowcpu环境activate tensorflowcpu#从豆瓣源下载CPU版本依赖包pip install tensorflow-cpu==2.3.0 -i https://pypi.douban.com/simple/GPU版本搭建#创建名为tensorflowgpu，python版本为3.7的环境conda create -n tensorflowgpu python=3.7 -y#激活tensorflowgpu环境activate tensorflowgpu#安装cuda、cudnn环境包conda install cudatoolkit=10.1conda install cudnn=7.6.5#从豆瓣源下载gpu版本依赖包pip install tensorflow-gpu==2.3.0 -i https://pypi.douban.com/simple/搭建完成，开始跑代码。

常见图像处理的任务    1、分类    给定一副图像，我们用计算机模型预测图片中有什么对象。    2、分类与定位    我们不仅要知道图片中的对象是什么，还要在对象的附近画一个边框，确定该对象所处的位置。    3、语义分割区分到图中每一点像素点，而不仅仅是矩形框框住。    4、目标检测    目标检测简单来说就是回答图片里面有什么？分别在哪里？（并把它们使用矩形框框住）    5、实例分割    实例分割是目标检测和语义分割的结合。相对目标检测的边界框，实例分割可精确到物体的边缘；相对语义分割， 实例分割需要标出图上同一物体的不同个体。图像定位：对于单纯的分类问题，比较容易理解，给定一幅图片，我们输出一个标签类别。而定位有点复杂，需要输出四个数字(x,y,w,h)，图像中某一个点的坐标(x,y),以及图像的宽度和高度，有了这四个数字，我们就很容易的找到物体的边框。The OXford-IIIT Pet Dateset是一个宠物图像数据集，包含37种宠物，每种宠物200张左右图片，包含宠物分类，头部轮廓标注和语义分割。

产业Gautier以达索系统“HomeByMe for Home Retailers”提供个性化客户体验在家居销售中采用全渠道策略，能有力地增进客户交付，促成购买决定。在当前疫情环境下这是促进销售的重要推动力量。2021/03/29 20:03原文链接如何建设基于智能制造的「可持续制造」模式？OECD围绕这套理论构建了一系列标准和程序，而推动可持续制造模式的发展，还需要更加科学的评估方法，帮助制造企业权衡取舍，构建可持续制造体系。2021/03/29 11:01原文链接入门“中关村智用人工智能伙伴计划”报名已开放，八大服务助力AI落地中关村智用人工智能伙伴计划”（简称计划）报名已于2021年3月1日正式开放（报名链接：http://aizgc.org.cn/#/zhiyong/friend），并得到了人工智能产业各界的关注。2021/03/29 18:19原文链接工程快速可微分排序算法PyTorch包，配有自定义C ++和CUDA，性能更好你可以使用 Torchsort 轻松实现 Spearman 等级系数。2021/03/29 15:52原文链接比PyTorch、TensorFlow更快，MindSpore开源一周年升级巨量新特性MindSpore很多的新特性马上要与大家见面了！2021/03/29 15:45原文链接理论谁说GPT只擅长生成？清华、智源等研究力证：GPT语言理解能力不输BERT谁说GPT看不懂人话？GPT：我装的2021/03/29 15:48原文链接  

 1. 环境配置项目版本CPUKunpeng 920OS麒麟V10 SP1Python3.7.4 2. 安装TensorFlow步骤1：安装依赖包yum install hdf5 hdf5-devel openblas python3-h5py -y 步骤2：下载python3.7版本的whl文件wget https://github.com/lhelontra/tensorflow-on-arm/releases/download/v2.2.0/tensorflow-2.2.0-cp37-none-linux_aarch64.whl 步骤3：查看pip3是否属于python 3.7pip3 -V 步骤4：pip安装grpciopip3 install grpcio 步骤5：通过wheel文件安装TensorFlowpip3 install tensorflow-2.2.0-cp37-none-linux_aarch64.whl 3. 运行验证 

选的模型时6月培训视频中提到的mobilenet_v2_1.0_224模型文件，但是选择模型文件就会报错误

问题描述：tensorflow模型冻结pb文件后使用Mindstudio转换为om模型后部署，部署后的模型精度无损失（未量化）但是速度损失。该模型需求算力如下报告中所示，MDC标称峰值算力16T(int8)，该模型部署后算力利用率极低。==================Model Analysis Report======================Doc:scope: The nodes in the model graph are organized by their names, which is hierarchical like filesystem.param: Number of parameters (in the Variable).Profile:node name | # parameters_TFProfRoot (--/0 params)======================End of Report==========================FLOPs: 7570440192;    Trainable params: 0GFLOPs: 7.570440192;    Trainable params: 0TFLOPs: 0.007570440192;    Trainable params: 0相关细节：模型为tensorflow1.12.0的bisenetv2