并行TensorFlow DataLoader
这个简单的项目旨在并行加载数据（尤其是视频数据）以提高整个系统的效率。该框架如下所示：
我们派生$ K $线程来加载和解码CPU中的数据，并维护一个全局FIFO队列来存储数据。 需要一个主要任务线程在GPU中训练网络。 如果加载批处理数据的时间大于在GPU中进行训练的时间，则效率将大大提高。 仿真实验结果如下所示（加载一批数据的时间设置为1秒，一步训练的时间设置为0.2秒）：
图1：串行加载数据，CPU使用率仅为5.3％
图2：派生10个线程来加载数据，CPU使用率接近30％，几乎是串行版本的6倍。
无花果3：分叉30个线程来加载数据
中文博客，网址为 。
2022-05-25 14:38:14
29KB
1
1 概述 1
2 系统开发环境
3 系统分析 8
3.1 可行性分析
3.1.1 技术可行性
3.1.2操作可行性
3.1.3 经济可行性
3.1.4 法律可行性 9
3.2需求分析 9
3.2.1 功能需求分析 9
3.2.2 性能需求分析 10
3.3开发环境分析 10
3.4界面需求
4 系统设计
4.1系统设计原则 12
4.2系统流程设计 12
4.2.1系统开发流程 12
4.2.2 添加信息流程 13
4.2.3 人脸识别流程 14
4.3 系统功能设计 15
4.4 数据库设计 15
4.4.1 数据库设计原则
4.4.2 数据库实体 16
4.4.3 数据库表设计 16
5系统实现 18
5.1 登录 18
5.2 注册 18
5.3 识别签到
6系统测试 25
6.1测试环境与条件
6.2功能测试
6.3可用性测试 26
6.4测试结果分析 26
结 论 27
致 谢 28
参考文献 29
2022-05-25 14:05:40
730KB
1 概述 1
1.1课题背景及意义 1
1.2 国内外研究现状 1
1.3 本课题主要工作 2
2 系统开发环境 3
2.1 python简介 3
2.2 人脸识别简介 4
2.3 SQLite 5
2.4 Django介绍 6
2.5 TensorFlow 7
3 系统分析 8
3.1 可行性分析 8
3.1.1 技术可行性 8
3.1.2操作可行性 8
3.1.3 经济可行性 9
3.1.4 法律可行性 9
3.2需求分析 9
3.2.1 功能需求分析 9
3.2.2 性能需求分析 10
3.3开发环境分析 10
3.4界面需求 10
4 系统设计 12
4.1系统设计原则 12
4.2系统流程设计 12
4.2.1系统开发流程 12
4.2.2 添加信息流程 13
4.2.3 人脸识别流程 14
4.3 系统功能设计 15
4.4 数据库设计 15
4.4.1 数据库设计原则 15
4.4.2 数据库实体 16
4.4.3 数据库表设计 16
5系统实现 18
5.1 登录 18
5.2 注册 18
5.3 识别签到 20
6系统测试 25
6.1测试环境与条件 25
。。。。。
2022-05-25 14:05:35
176.75MB
本文实例为大家分享了Tensorflow实现卷积神经网络的具体代码，供大家参考，具体内容如下
1.概述
定义：
卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(alternating convolutional layer)和池层(pooling layer)。
卷积层（convolutional layer）：
对输入数据应用若干过滤器，一个输入参数被用来做很多类型的提取。
池化层（Pooling Layer）：
也叫子采样层，缩减数据的规模
2022-05-25 11:18:45
77KB
1
YOLOv2-Tensorflow
声明：
更详细的代码解读.
欢迎关注.
运行环境：
Python3 + Tensorflow1.5 + OpenCV-python3.3.1 + Numpy1.13
windows和ubuntu环境都可以
准备工作：
请在下载模型，并放到yolo2_model文件夹下
文件说明：
1、model_darknet19.py：yolo2网络模型——darknet19
2、decode.py：解码darknet19网络得到的参数
3、utils.py：功能函数，包含：预处理输入图片、筛选边界框NMS、绘制筛选后的边界框
4、config.py：配置文件，包含anchor尺寸、coco数据集的80个classes类别名称
5、Main.py：YOLO_v2主函数，对应程序有三个步骤：
（1）输入图片进入darknet19网络得到特征图，并进行解码得到：xmin
2022-05-24 23:36:30
1.22MB
1
tflite2onnx-将TensorFlow Lite模型转换为ONNX
tflite2onnx将TensorFlow Lite（TFLite）模型（ *.tflite ）转换为ONNX模型（ *.onnx ），并正确处理了数据布局和量化语义（有关详细信息，请*.onnx）。
强调
如果您想将TensorFlow模型（冻结图*.pb ， SavedModel或其他格式）转换为ONNX，请尝试 。 或者，您可以先将其为TFLite（ *.tflite ）模型，然后再将TFLite模型转换为ONNX。
微软在tf2onnx实现了另一个TensorFlow Lite至ONNX模型转换器（我们于2020年5月开源tflite2onnx ）。 tf2onnx似乎能够像我们一样转换量化，并且似乎能够转换尚不支持的RNN网络。 如果tflite2onnx缺少任何功能，请尝试tf2onnx --t
2022-05-24 20:03:20
2.32MB
1
包括深度学习keras快速入门+tensorflow&keras;深度学习+python数值分析基础三个资源
2022-05-24 14:58:50
103.9MB
1
用于分布和不确定性估计的混合密度网络：使用Keras（TensorFlow）进行分布和不确定性估计的通用混合密度网络（MDN）实现
2022-05-24 12:59:42
14.16MB
1