在移植了现有的对象检测模型、人脸检测模型、人脸识别模型等到Tensorflow.js之后，我发现有些模型的性能不太好，而其他模型在浏览器中表现得很好。如果您考虑浏览器内部机器学习的潜力以及tensorflow.js为我们的Web开发人员提供的所有可能性，这实际上是令人惊讶的。

然而，随着深度学习模型直接在浏览器中运行，我们也面临着一些现有模型的新挑战和限制，这些模型可能不是专门为在浏览器中运行客户端而设计的，更不用说在移动浏览器中了。以最先进的目标探测器为例:它们通常需要大量的计算资源才能以合理的fps运行，更不用说以实时速度运行了。此外，在一个简单的web应用程序中，将100MB以上的模型权重交付给客户机浏览器是不可行的。

本文将介绍TensorFlow并深入探讨它提供的数学和机器学习库。首先，我将在本文中描述TensorFlow框架背后的思想，结构的方式，关键组件等。在本文的最后，您将能够在TensorFlow中编写简单的数值解算器代码片段。

TensorFlow是用于构建机器学习模型的计算框架。它是由Jeff Dean领导的Google Brain的第二代系统。它于2017年初推出，它通过引入从可扩展性到构建生产就绪模型的众多功能，打破了ML世界。

框架

TensorFlow提供了各种不同的工具包，允许您以您喜欢的抽象级别编写代码。例如，您可以在Core TensorFlow（C ++）中编写代码并从Python代码中调用该方法。您还可以定义应运行代码的体系结构（CPU，GPU等）。在上面的层次结构中，您可以编写代码的最低级别是C ++或Python。这两个级别允许您编写数值程序来解决数学运算和方程。虽然这不是强烈建议用于构建机器学习模型，但它提供了各种数学库，可以简化您的任务。您可以编写代码的下一个级别是使用特定于TF的抽象方法，这些方法针对模型组件进行了高度优化。例如，使用 tf.layers方法你可以使用神经网络的层。您可以使用tf.metrics方法构建模型并评估模型性能。最广泛使用的级别是tf.estimator API，它允许您轻松地构建（训练和预测）生产就绪模型。估算器API非常易于使用且经过优化。虽然它提供的灵活性较低，但它具备训练和测试模型所需的一切。让我们看一下estimator API的应用程序，仅使用三行代码构建分类器。

第一坑

请把你的计算机名称改成英文名，不要使用中文，就像我这样。我原来用中文落残，死活解码报错，改过来就可以了。

第二坑

代码写好后，我们该怎么打开数据流图？

给大家一个简单的代码示范：

该文件我保存在F：\tensorflowe文件夹下面，命名为first

TensorFlow 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。

1.Tensor

tensor，表示张量，在TensorFlow中常用Tensor来描述矩阵信息。如下表示创建一个tensor，并将其初始化为0（zeros函数表示初始化一个tensor，并将其所有成员置位为0，缺省类型为float32）。

作者：Python疯子

链接：https://www.jianshu.com/p/5b4e51869e64

这个可以说是一个绝对的福利中的福利。一整套的AI图片识别以及模型的使用。

一直都在说人工智能，图像识别，又有几个人会呢，网上文章成山，前一段时间因工作需要，我一个做后端开发的，要做图片识别。

于是开始了疯狂的地毯式搜索，先说网上介绍最多，最好，也是最坑的模型---AIimage，10行代码完成图像识别，通过代码是可以识现，但必须使用它们的模型，不能自己训练，于是开始找AIimage的训练模型，也找到了，也能训练，用训练好的模型，正式测试，哇，屎一样！

TensorFlow 深度学习读写笔记

Python搭建开发环境-Anaconda+PyCharm的安装和入门教程

在windows10上快速安装tensorflow

TensorFlow如何工作？

TensorFlow能够在不同设备上（如CPU和GPU）工作。TensorFlow将计算（computations）定义为图（Graphs），图形是由各种操作（ops）组成。所以，当我们要运行TensorFlow时，首先定义图中的一系列操作。