关键词：多输入多输出/BatchNormalization/dropout 两个不同领域输入，两个回归/分类任务， input_domain_a, input_domain_b concatenate(共享) task1:dense-BatchNormalization-dropout-dense task2:dense-BatchNormalization-dropout-dense

TF卡英文资料

各种TF卡、SD卡、U盘修复量产工具，搜集的比较齐全

利用Arduino uno读取ADNS3080光流传感器然后同步记录到TF/SD卡了，同时串口的同步输出

tf_nightly-2.2.0-cp38-cp38-linux_aarch64.whl

使用Google bert for RoBERTa 首先，使用convert_pytorch_checkpoint_to_tf.py转换wieght 二，编辑配置文件 第三，修改后的模型：using_token_type = False start = 2 第四，将bert令牌生成器更改为roberta令牌生成器

从Tensorflow转换为CoreML （推荐方法） 要将TensorFlow模型转换为CoreML格式，建议的方法是使用可通过coremltools 4.0 python软件包中引入的新统一转换API获得的TensorFlow转换器。 请阅读有关的coremltools文档以获取示例用法。 要安装coremltools包，请按照的coremltools文档。 tfcoreml tfcoreml软件包不再维护。 只有在满足以下所有条件的情况下，才应使用Conversion API tfcoreml.convert ： 主要部署目标是iOS 12或更早版本。 源模型是TensorFlow 1 graph_def对象，序列化为冻结的protobuf格式（“ .pb”） 要安装tfcoreml ，请运行： pip install --upgrade tfcoreml 请阅读

可变形卷积的TensorFlow实现 这是以下论文的TensorFlow实现： 戴继峰，齐浩志，熊玉文，李毅，张国栋，韩寒，魏一辰。 2017。可变形卷积网络。 arXiv [cs.CV]。 arXiv。 该代码只能在。 旋转训练图 采样地点 基本用法 DeformableConvLayer是自定义的Keras图层，因此您可以像其他任何标准图层（例如Dense ， Conv2D一样使用它。 这是一个简单的示例： inputs = tf . zeros ([ 16 , 28 , 28 , 3 ]) model = tf . keras . Sequential () model . add ( DeformableConvLayer ( filters = 6 , kernel_size = 3 , strides = 1 , padding = 'valid' , dilat

mnist_tf 使用tensorflow和pycharm对mnist数据集进行分类

配合CUDA9.0使用的cudnn，用于搭建tensorflow gpu环境