发布了 10 篇内容
共 93005字， 被阅读 5202次
获得了 26 次赞同
获得了 8次喜欢， 获得了 18 次收藏
参与了 8 次互动
互动包含发布评论、点赞评论、参与投票等
TensorFlow 篇 | TensorFlow 数据输入格式之 TFRecord
「导语」 TFRecord 是 TensorFlow 生态中的一个重要组件，它是一种二进制序列的存储格式，使用该格式可以使输入数据的读取和处理更为高效，从而提升整体训练流程的速度，另外，它还具有极高的灵活性，可以为复杂特征数据的构建与解析提供便利。
TensorFlow 篇 | TensorFlow 数据输入的最佳实践
「导语」在训练 TensorFlow 模型时，为了达到最佳的训练性能，需要一个高效的数据输入流程，该流程可以在当前训练步骤完成之前为下一步训练准备好数据。 tf.data API 可以帮助我们构建这个灵活且高效的输入流程，可以很轻松地对输入数据进行各种并行化处理。
TensorFlow 篇 | TensorFlow Serving API
「导语」TensorFlow Serving 提供了 GRPC 接口来高效地完成对模型的预测请求，但是它本身只提供了基于 Python 的 API ，如果我们要使用其它语言进行 GRPC 访问，则需手动生成相应的 GRPC 接口文件方可。
TensorFlow 篇 | TensorFlow 2.x 模型 Serving 服务
「导语」在模型训练完成后，我们需要使用保存后的模型进行线上预测，即模型 Serving 服务。 TensorFlow 团队提供了专门用于模型预测的服务系统 TensorFlow Serving，它专为生产环境设计，具备高性能且具有很强大的灵活性。
TensorFlow 篇 | TensorFlow 2.x 基于 Keras 的模型保存及重建
「导语」模型训练完成后一项十分重要的步骤是对模型信息进行持久化保存，以用于后续的再训练以及线上 Serving。保存后的模型文件除了个人使用外，还可以将其分享到 TensorFlow Hub ，从而让他人可以很方便地在该预训练模型的基础上进行再次开发与训练。
TensorFlow 篇 | TensorFlow 2.x 基于 HParams 的超参数调优
「导语」 当我们创建了 Keras 模型并开始进行训练时，一般都会指定一些超参数的值来对训练的过程进行调控，这些超参数的取值会对模型训练的结果产生很大的影响，因此在机器学习工作流程中一项十分重要的步骤就是要确定模型超参数的最佳取值，亦即超参数调优。
TensorFlow 篇 | TensorFlow 2.x 基于 Keras 的多节点分布式训练
「导语」 在上一篇文章 《TensorFlow 2.x 分布式训练概览》中，我对 TensorFlow 所支持的分布式训练策略以及分布式训练的实现方式做了简要的介绍。本文将在上一篇文章的基础上，着重介绍基于 Keras 的多节点分布式训练的实现方式以及在分布式训练过程中需要注
TensorFlow 篇 | TensorFlow 2.x 分布式训练概览
「导语」 在进行极复杂模型训练以及使用大规模数据进行训练时，往往会受限于单个节点的内存和算力，无法高效快速地完成模型的优化，而分布式训练正是解决上述问题的一剂良药，它可以充分利用集群中各节点的内存和算力资源，加速模型的训练和调优过程。
TensorFlow 篇 | TensorFlow 2.x 基于 Keras 模型的本地训练与评估
「导语」模型的训练与评估是整个机器学习任务流程的核心环节。只有掌握了正确的训练与评估方法，并灵活使用，才能使我们更加快速地进行实验分析与验证，从而对模型有更加深刻的理解。
TensorFlow 篇 | TensorFlow 2.x 基于 Keras 的模型构建
「导语」TensorFlow 2.0 版发布以来，Keras 已经被深度集成于 TensorFlow 框架中，Keras API 也成为了构建深度网络模型的第一选择。使用 Keras 进行模型开发与迭代是每一个数据开发人员都需要掌握的一项基本技能，让我们一起走进 Keras 的世界一探究竟。
最新评论
TensorFlow 篇 | TensorFlow 数据输入格式之 TFRecord
TensorFlow 篇 | TensorFlow 数据输入的最佳实践
TensorFlow 篇 | TensorFlow 2.x 基于 Keras 的模型构建
TensorFlow 篇 | TensorFlow 2.x 模型 Serving 服务