tensorflow

1、（20190823）Win7x64，Python3.7x64，tensorflow 1.14 　　MoFan的代码 tf14_tensorboard__full_code.py & tf15_tensorboard__full_code.py 运行后 生成了文件 ("E:\Project_Py37\MoFan\logs\")events.out.tfevents.1566536284.PC-20190616NQZA & events.out.tfevents.1566536624.PC-20190616NQZA，按照 视频中说，应该能看到 可视化的东西，但是我什么都没有...（目录 "logs"，是在运行 py程序时自动创建的） 　　使用 http://127.0.0.1:6006 和 http://localhost:6006 都是 网站无法访问... 　过程：在 "E:\Project_Py37\MoFan"路径下 打开 控制台，输入 tensorboard --logdir=logs，chrome打开网页"http://pc-20190616nqza:6006/"显示“ No dashboards are active for the current data set. ”，在 控制台里面有报错：“TypeError: GetNext() takes 1

本文转载于： 子棐之GPGPU 的 TensorRT系列入门篇 学习一下加深印象 Why TensorRT 训练对于深度学习来说是为了获得一个性能优异的模型，其主要的关注点在与模型的准确度、精度等指标。推理（inference）则不一样，其没有了训练中的反向迭代过程，是针对新的数据进行预测，而我们日常生活中使用的AI服务都是推理服务。相较于训练，推理的关注点不一样，从而也给现有的技术带来了新的挑战。 需求 现有框架的局限性 影响 高吞吐率 无法处理大量和高速的数据 增加了单次推理的开销 低响应时间 应用无法提供实时的结果 损害了用户体验（语音识别、个性化推荐和实时目标检测） 高效的功耗以及显存消耗控制 非最优效能 增加了推理的开销甚至无法进行推理部署 部署级别的解决方案 非专用于部署使用 框架复杂度和配置增加了部署难度以及生产率 根据上图可知，推理更关注的是高吞吐率、低响应时间、低资源消耗以及简便的部署流程，而TensorRT就是用来解决推理所带来的挑战以及影响的部署级的解决方案。 TensorRT的部署流程 TensorRT的部署分为两个部分： 　　1. 优化训练好的模型并生成计算流图 　　2. 使用TensorRT Runtime部署计算流图 那么我们很自然的就会想到下面几个问题？ 　　1. TensorRT支持什么框架训练出来的网络模型呢？ 　　2.

团队简介 阿里巴巴文娱NLP团队大量招人（P6-P8），我们承接着文娱全部技术线的各类NLP需求，专注研发自然语言分析技术（分类、聚类、情感、问答、关系抽取、知识图谱），为各项顶层业务提供NLP技术支持（知识推断、意图识别、query改写、搜索相关性、全网搜索等）。 我们不断夯实技术进而驱动商业，目标是成为最有价值的商业自然语言处理团队，采用平台化策略服务好阿里内外的各种需求。 阿里巴巴文娱部门NLP算法团队支撑文娱集团整体业务线的NLP需求，专注研发自然语言分析技术（分类、聚类、情感、问答、关系抽取、知识图谱），为各项顶层业务提供NLP技术支撑（知识推断、意图识别、query改写、搜索相关性、全网搜索等）。在不断夯实技术进而驱动商业，成为最有价值的商业自然语言处理团队，采用平台化策略服务阿里内外的各种需求。 坐标 - 杭州 岗位职责 - 运用机器学习、深度学习技术，研发文本分析、知识图谱相关算法，并应用于个性化推荐&搜索； - 改进和研发文本理解、文本生成、主题发现、知识抽取等技术； - 跟踪业界与学界最新进展，并能够快速应用到实际业务中。 岗位要求 - 编程基础扎实，熟练使用至少一种常用编程语言，如 Python / C++ / Java，熟悉 Tensorflow、Keras、Caffe等深度学习工具。 - 熟悉机器学习的基础方法（分类、回归、排序、降维等

升级TensorFlow2.3踩坑记录（Python） 前言 一、CUDA版本问题 二、GPU支持问题 总结 前言 原本是使用的TensorFlow2.0，处理时间序列数据时发现一个很好用的函数： tf.keras.preprocessing.timeseries_dataset_from_array 。不料报错没有此函数，才知道这个函数要TensorFlow2.3及以上才有，于是打算升级至TensorFlow2.3，过程中踩了几个坑，记录一下。 一、CUDA版本问题 原本使用的是CUDA10.0，看官网信息这样显示： TensorFlow 支持 CUDA® 10.1（TensorFlow 2.1.0 及更高版本） 。想着一般CUDA是向下兼容的，于是直接把CUDA升级到了11.0，以免后面还要再升级CUDA。可是当我所有环境配置好之后显示这样的错误： Could not load dynamic library ‘cudart64_101.dll’; dlerror: cudart64_101.dll not found 百思不得其解，查找资料发现CUDA版本只能是10.1，高一点都不行，遂重装。 这里分享一个小技巧，我们在下载CUDA时候网速会特别慢 ，我们只需要将下载链接复制到迅雷用迅雷下载就很快了。 二、GPU支持问题 CUDA版本问题解决了

随着验证码技术的更新换代，传统的验证码识别算法已经越来越无用武之地了。近些年来人工智能迅速发展，尤其是在深度学习神经网络这一块生态尤为繁荣，各种算法和模型层出不穷。 本文来自 Serverless 社区用户「乂乂又又」供稿 今天本文就尝试带大家借助 Kaggle+SCF 快速训练部署一个端到端的通用验证码识别模型，真正的验证码识别从入门到应用的一条龙服务，哈哈哈~ 效果展示 操作步骤 第一步：了解 kaggle 没做过数据科学竞赛的同学，可能不太了解 kaggle 哈。 Kaggle is the world’s largest data science community with powerful tools and resources to help you achieve your data science goals. 这是 kaggle 官网 ）的自我介绍，简单来说 kaggle 是全球最大的数据科学交流社区，上面有许多关于数据科学的竞赛和数据集，并且提供了一些数据科学在线分析的环境和工具，一直以来吸引了全球大批数据科学爱好者，社区极其繁荣。 这里我们主要是用 kaggle 的 Notebooks 服务里的 kernel 环境来快速在云端训练自己的验证码识别模型。 你可能会问在本地训练不可以吗，为啥非得折腾着上云？哈哈，这还真不是折腾，普通人的电脑算力其实是有限的

点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者： Marco Cerliani 编译：ronghuaiyang 正文共：2062 字 10 图 预计阅读时间：6 分钟 导读 使用不同的方式来使用BERT模型 。 在NLP中不断的研究产生了各种各样的预训练模型。对于各种任务，例如文本分类、无监督主题建模和问题回答等，不断的在刷新业界最佳。其中，最伟大的发现之一是在神经网络结构中采用了注意力机制。这种技术是所有称为 transformers 的网络的基础。他们应用注意力机制来提取关于给定单词上下文的信息，然后将其编码到一个学习到的向量中。 作为数据科学家，我们可以调用很多transformers架构，并使用它们对我们的任务进行预测或微调。在这篇文章中，我们喜欢读经典的BERT，但是同样的推理也适用于其他所有的transformer结构。 我们使用了siamese结构，这是一个双路BERT ，用于多文本输入的分类。 数据 我们从Kaggle上收集数据集。新闻类别数据集：https://www.kaggle.com/rmisra/news-category-dataset包含从HuffPost上获得的2012年至2018年的约20万条新闻标题。我们需要根据两种不同的文本来源对新闻文章进行分类：标题和简介。我们总共有40多种不同类型的新闻。为了简单起见