tensorflow

今天搭建了Keras深度学习的环境 详细记录一下 安装Anaconda3 Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。 Anaconda3官网下载： https://www.anaconda.com/distribution/#download-section 选适合的版本安装即可 安装的时候记得勾选add anaconda to my PATH environment variable 安装好之后检查一下： 没有问题。 在Anaconda中创建TensorFlow的虚拟环境 conda info --envs 这个命令是检测Anaconda所有的环境变量的 然后创建虚拟环境： conda create --name tensorflow python=3.5 TensorFlow官方现在还不支持python3.7 所以我装的是3.5 安装完之后再来看一下： 现在已经创建了一个TensorFlow的虚拟环境了。 进入这个虚拟环境的命令是： activate tensorflow 退出是： deactivate 安装CUDA和CUDNN 先安装cuda： https://developer.nvidia.com/cuda-toolkit-archive 我下的是cuda10.0 注意这里安装的时候 visual

此基础知识仅为个人学习记录，如有错误或遗漏之处，还请各位同行给个提示。 概述 TFLite主要含有如下内容： （1）TFLite提供一系列针对移动平台的核心算子，包括量化和浮点运算。另外，TFLite也支持在模型中使用自定义算子。 （2）TFLite基于FlatBuffers定义了一种新的模型文件格式。FlatBuffers类似于protocol buffers， FlatBuffers在访问数据之前不需要进行解析/解包步骤，通常与每个对象的内存分配相结合。而且，FlatBuffers的代码占用空间比protocol buffers小一个量级。 （3）TFLite拥有一个新的优化解释器，其主要目标是保持应用程序的精简和快速。 解释器使用静态图形排序和自定义（动态性较小）内存分配器来确保最小的负载、初始化和执行延迟。 （4）TFLite提供了一个利用硬件加速的接口，通过安卓端的神经网络接口（NNAPI）实现，可在Android 8.1（API级别27）及更高版本上使用。 TFLite提供的支持： （1）一组核心ops，包括量化和浮点运算，其中许多已经针对移动平台进行了调整。 这些可用于创建和运行自定义模型。开发人员还可以编写自己的自定义ops，并在模型中使用。 （2）一种新的基于FlatBuffers的模型文件格式。 （3）MobileNet模型的量化版本

今天是2020年11月6日，来到上海正好一个月了，想写一篇学习小结，然后开始尝试一下新的学习方式。 目录 学习资料分享 有关python学习 有关OpenCV+python计算机视觉图像处理学习 有关神经网络学习 有关深度学习基础学习 偏理论 偏实践 关于框架学习 Keras tensorflow Pytorch 方法思考 基础学习 解决问题 新思想新灵感 展望 小结 2020年3月开始接触计算机视觉，接触keras框架，当时很多都不懂，一点一点啃，最后顺利完成了我的第一个视觉项目也就是我的毕设《基于卷积神经网络的人脸表情识别系统的设计与实现》。现简单回忆一下当时的学习历程，顺便总结一点点小小的经验，希望对入门的同学有所帮助，一起加油（一些学习视频的选择可能不是很经典，但却是我自己的有意无意选择了的，故仅做参考）。 学习资料分享 有关python学习 第一次接触python是在2018年10月，当时国庆假期一个人在本科实验室刷视频，做笔记，疯狂输入。学习的是《[小甲鱼]零基础入门学习Python》，当时很遗憾的是没有充分使用CSDN博客，把笔记全都记在了Word文档，记录了很多，有点杂乱。刚开始记笔记也有点笨，很多都记，同时也跟着敲代码，不断试验、出错和解决。有时候遇到好玩的还会自己写个代码逗自己开心（如下图的朋友圈截屏）。 B站链接：https://b23.tv/kLRXOX

1. 安装Anaconda https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ conda info来查询安装信息 conda list可以查询你现在安装了哪些库 2. cpu版的tensorflow pip install --upgrade --ignore-installed tensorflow 测试是否成功 python import tensorflow as tf hello=tf.constant("Hello!") sess=tf.Session() print(sess.run(hello)) 3. 安装keras pip install keras -U --pre 测试 ：import keras 来源： oschina 链接： https://my.oschina.net/u/4399667/blog/3985483