级联分类器
这里简单的介绍一下级联分类器的概念。
以人脸识别为例，为了提高人脸检测的速度和精度，最终的分类器是通过几个强分类器级联得到，这就是所说的级联分类器。在一个级联分类系统中，对于每一个输入图片，顺序通过每个强分类器，前面的强分类器相对简单，其包含的弱分类器也相对较少，后面的强分类器逐级复杂，只有通过前面的强分类检测后的图片才能送入后面的强分类器检测，比较靠前的几级分类器可以过滤掉大部分的不合格图片，只有通过了所有强分类器检测的图片区域才是有效人脸区域。
2024年07月26日
级联分类器
这里简单的介绍一下级联分类器的概念。
以人脸识别为例，为了提高人脸检测的速度和精度，最终的分类器是通过几个强分类器级联得到，这就是所说的级联分类器。在一个级联分类系统中，对于每一个输入图片，顺序通过每个强分类器，前面的强分类器相对简单，其包含的弱分类器也相对较少，后面的强分类器逐级复杂，只有通过前面的强分类检测后的图片才能送入后面的强分类器检测，比较靠前的几级分类器可以过滤掉大部分的不合格图片，只有通过了所有强分类器检测的图片区域才是有效人脸区域。
2024年07月26日
本文主要讲述MoXing将模型定义在model_fn方法中，并在mox.run时注册该方法。
基本方法：
def model_fn(inputs, mode, **kwargs):
...
return mox.ModelSpec(...)
mox.run(..., model_fn=model_fn, ...)
2024年07月26日
1.什么是TFserving
当你训好你的模型，需要提供给外部使用的时候，你就需要把模型部署到线上，并提供合适的接口给外部调用。你可能会考虑一些问题：
2024年07月26日
最新版本：http://www.mashangxue123.com/tensorflow/tf2-tutorials-quickstart-advanced.html
英文版本：https://tensorflow.google.cn/alpha/tutorials/quickstart/advanced
2024年07月26日
TensorFlow的Estimators API可用于在具有多个GPU的分布式环境中训练机器学习模型。在这里，我们将通过训练tf.keras为小型Fashion-MNIST数据集编写的自定义估算器来呈现此工作流程，然后在最后展示更实用的用例。
TL; DR：基本上我们想要记住的是，tf.keras.Model可以通过tf.estimatorAPI将其转换为tf.estimator.Estimator通过该tf.keras.estimator.model_to_estimator方法的对象来训练。转换后，我们可以应用Estimators提供的机制来训练不同的硬件配置。
2024年07月26日
本文来自华尔街见闻旗下“全天候科技”，悦读更多请登录www.awtmt.com或关注微信号“全天候科技（ID:iawtmt）” 。
3月27日，一年一度的英伟达GTC大会在美国圣何塞召开。会上，英伟达发布了“全球最大的GPU”——DGX-2，它能让开发者获得极强的深度学习训练能力，以处理最大规模的数据集和最复杂的深度学习模型。
2024年07月26日
1 默认动态图机制
在tensorflow2.0中，动态图是默认的不需要自己主动启用它。
import tensorflow as tf a = tf.constant([1,2,3]) b = tf.constant([4,5,6]) print(a+b)
2024年07月26日
张量（Tensor）是TensorFlow的基本数据结构。张量即多维数组，Tensorflow的张量和Numpy中的ndarray对象很类似，用来定义一个 n 维数组对象，它是一个一系列相同类型元素组成的数组集合。从操作行为角度来看，TensorFlow中定义了两种类型的张量：
2024年07月26日
Keras是一个基于Python编写的高层神经网络API，Keras强调用户友好性、模块化以及易扩展等，其后端可以采用TensorFlow、Theano以及CNTK，目前大多是以TensorFlow作为后端引擎。考虑到Keras优秀的特性以及它的受欢迎程度，TensorFlow将Keras的代码吸收了进来，并将其作为高级API提供给用户使用。“tf.keras”不强调原来Keras的后端可互换性，而是在符合Keras标准的基础上让其与TensorFlow结合的更紧密（例如支持TensorFlow的eager execution模式，支持“tf.data”，以及支持TPU训练等）。“tf.keras”提高了TensorFlow的易用性，同时也保持了TensorFlow的灵活性和性能。
2024年07月26日
大多数初学者tensorflow教程向读者介绍了feed_dict将数据加载到机器学习模型中的方法，其中数据通过tf.Session.run()或tf.Tensor.eval()函数调用传递给tensorflow 。然而，使用tf.dataAPI，您只需几行代码即可创建高性能数据管道。
在一个简单的feed_dict管道中，每当GPU必须等待CPU为它提供下一批数据时，GPU总是闲置着。