机器学习中tfrecord数据集基本上是您的数据集，保存为硬盘驱动器上的协议缓冲区。使用此格式的好处是：
- 您无需将完整数据集加载到内存中。您可以通过数据集类逐个获取数据。当您的GPU处理数字时，Tensorflow会负责加载更多数据。
- 由于您不需要先将数据加载到numpy数组中然后将其放入keras / tensorflow会话，因此速度极快。你只是保持C ++的端到端。
2024年07月22日
机器学习中tfrecord数据集基本上是您的数据集，保存为硬盘驱动器上的协议缓冲区。使用此格式的好处是：
2024年07月22日
从在自定义数据集中训练检测器到使用TensorFlow 1.15在Jetson纳米板或云上进行推理的详细步骤
完整代码可在GitHub上获得
2024年07月22日
人工神经网络(ANNs)是机器学习技术的高级版本，是深度学习的核心。人工神经网络涉及以下概念。输入输出层、隐藏层、隐藏层下的神经元、正向传播和反向传播。
简单地说，输入层是一组自变量，输出层代表最终的输出(因变量)，隐藏层由神经元组成，在那里应用方程和激活函数。前向传播讨论方程的具体形式以获得最终输出，而反向传播则计算梯度下降以相应地更新参数。
2024年07月22日
摘要： 一杯茶的功夫部署完成机器学习模型！
在生产环境中部署机器学习模型是数据工程中经常被忽视的领域。网上的大多数教程/博客都侧重于构建、训练和调整机器学习模型。如果它不能用于实际的预测，那么它又有什么用呢？ 接下来了解一下有哪些部署选项吧：
2024年07月22日
机器之心原创，作者：思源。
最近机器之心发现谷歌的 Colab 已经支持使用免费的 TPU，这是继免费 GPU 之后又一重要的计算资源。我们发现目前很少有博客或 Reddit 论坛讨论这一点，而且谷歌也没有通过博客或其它方式做宣传。因此我们尝试使用该 TPU 训练简单的卷积神经网络，并对比它的运行速度。
2024年07月22日
选自towardsdatascience作者：Parul Pandey
机器之心编译参与：王子嘉
数据挖掘是机器学习领域的一个重要组成部分。在确定训练哪种模型以及训练多少模型之前，我们必须对数据包含的内容有所了解。Pandas 库为此提供了许多有用的函数，value_counts 就是其中之一。此函数返回 pandas 数据框中各个项的数量。但在使用 value-counts 函数的大多数时候用到的是默认参数。因此，在这篇短文中，作者介绍了如何通过自定义参数来实现更多的功能。
2024年07月22日
打破变化
现在预构建的二进制文件是针对CUDA 9和cuDNN 7构建的。
从1.6版本开始，我们的预编译的二进制文件将使用AVX指令。 这可能会破坏老式CPU上的TF。
2024年07月22日
TFRecord是一种TensorFlow 的内定标准文件格式，其实质是二进制文件，遵循protocol buffer（PB）协议（protocol buffer 是google 的一种数据交换的格式，它独立于语言，独立于平台），其后缀一般为tfrecord。TFRecord文件方便复制和移动，能够很好的利用内存，无需单独标记文件，适用于大量数据的顺序读取，是TensorFlow“从文件里读取数据”的一种官方推荐方法。
2024年07月22日
今年 3 月份，谷歌在 Tensorflow Developer Summit 2019 大会上发布 TensorFlow 2.0 Alpha 版。作为当前最为流行的深度学习框架，2.0 Alpha 版的正式发布引人关注。近两个月，网上已经出现了大量 TensorFlow 2.0 英文教程。在此文章中，机器之心为大家推荐一个持续更新的中文教程，以便大家学习。