道本虚无，虚无生万物，物皆虚化
深度学习框架TensorFlow（简称TF）道术：架构之道，实战之术，干货不水，系列文章之概念篇，分享之，望你喜欢。
1、数据流图（Data Flow Graph）：TF使用有向图描述数学运算过程，有向图的节点表示数据运算操作，有向图的边表示数据流向，数据沿着边的动态流动过程，构成了TF的基本工作原理。
2024年10月03日
道本虚无，虚无生万物，物皆虚化
深度学习框架TensorFlow（简称TF）道术：架构之道，实战之术，干货不水，系列文章之概念篇，分享之，望你喜欢。
1、数据流图（Data Flow Graph）：TF使用有向图描述数学运算过程，有向图的节点表示数据运算操作，有向图的边表示数据流向，数据沿着边的动态流动过程，构成了TF的基本工作原理。
2024年10月03日
在TensorFlow官网（https://tensorflow.google.cn/?hl=en，英文）上，这样描述TensorFlow：
2024年10月03日
本教程介绍如何使用 tf.Keras 时序 API 从头开始训练模型，将 tf.Keras 模型转换为 tflite 格式，并在 Android 上运行该模型。我将以 MNIST 数据为例介绍图像分类，并分享一些你可能会面临的常见问题。本教程着重于端到端的体验，我不会深入探讨各种 tf.Keras API 或 Android 开发。
下载我的示例代码并执行以下操作：
在 colab 中运行：使用 tf.keras 的训练模型，并将 keras 模型转换为 tflite（链接到 Colab notebook）。
2024年10月03日
本文主要介绍MoXing将数据的输入定义在input_fn方法中，并在mox.run时注册该方法。
基本方法：
def input_fn(mode, **kwargs):
...
return input_0, input_1, ...
mox.run(..., input_fn=input_fn, ...)
输入参数：
· mode: 当前调用input_fn时的运行模式，需要用户在input_fn中做好判断使用相应的数据集和数据集增强、预处理方法。
2024年10月03日
在TensorFlow中，多维数组（也称为张量）和自动微分是深度学习中非常重要的概念。今天，我们将学习如何在TensorFlow中使用多维数组，并了解自动微分的基本原理。
在TensorFlow中，张量可以有0维（标量）、1维（向量）、2维（矩阵）或更高维度。我们可以使用
2024年10月03日
TensorFlow.js是一个开源的硬件加速JavaScript库，用于训练和部署机器学习模型。支持如下：
在浏览器中开发ML
使用灵活直观的API，使用低级JavaScript线性代数库或高级层API从头开始构建模型。
在Node.js中开发ML
Node.js运行时下使用相同的TensorFlow.js API执行本机TensorFlow。
2024年10月03日
在本文中，我们将探索TensorFlow 2.0的10个特性。
从张量构建管道
>>> dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1])
>>> iter(dataset).next().numpy()
82024年10月03日
除了GPU和TPU等硬件加速设备以外，一个高效的数据输入管道也可以很大程度的提升模型性能，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：
2024年10月03日
本文主要讲解TensorFlow中比较常用的的几个函数：
tf.slice()
tf.convert_to_tensor()
tf.nn.embedding_lookup()
2024年10月03日
使用TensorFlow v2.0的基本张量操作
from __future__ import print_function
import tensorflow as tf
# 定义张量常量
a = tf.constant(2)
b = tf.constant(3)
c = tf.constant(5)
# 各种张量操作
# 注意：张量也支持python的操作（+，*,...）
add = tf.add(a,b)
sub = tf.subtract(a,b)
mul = tf.multiply(a,b)
div = tf.divide(a,b)
# 访问张量的值
print("add=",add.numpy())
print("sub=",sub.numpy())
print("mul=",mul.numpy())
print("div=",div.numpy())