tensorflow serving部署单模型，多模型，热更新，BERT部署

简书文章中的材料： 欢迎在简书上

三篇学术论文：基于TensorFlow分布式与前景背景分离的实时图像风格化算法；基于TensorFlow的卷积神经网络的应用研究；基于TensorFlow的交通标识智能识别系统设计

TensorFlow: A system for large-scale machine learning 论文的中文翻译。

TreeLSTM_Tensorflow

Tensorflow中的Grad-CAM实施 此回购协议是Gradient类激活图（Grad-CAM [1]）的TensorFlow实现，这是深度学习网络的可视化技术之一。 此仓库基于Grad-CAM的和版本。 要求 Python3.x Tensorflow 1.x （包括经过预训练的（使用Imagenet数据集）VGG16分类模型文件VGG16.npy （有关如何下载的信息，请参阅自述文件）） 用法 python grad-cam-tf.py [top_n] path_to_image ：为其计算Grad-CAM的图像。 path_to_VGG16_npy ： 提供的训练VGG16模型数据 top_n ：可选。 为每个“ top_n”类计算Grad-CAM，这由VGG16预测。 以下图像与pa

无监督数据增强 总览 无监督数据增强或UDA是一种半监督学习方法，可在各种语言和视觉任务上实现最新的结果。 仅用20个标记的示例，UDA优于以前在25,000个标记的示例上训练的IMDb的最新技术。 模型 带标签的示例数 错误率 混合增值税（以前的SOTA） 25,000 4.32 伯特 25,000 4.51 UDA 20 4.20 使用CIFAR-10（带有4,000个标记的示例）和SVHN（带有1,000个带标记的示例），可将最新方法的错误率降低30％以上： 模型 CIFAR-10 SVHN ICT（以前的SOTA） 7.66±.17 3.53±.07 UDA 4.31±.08 2.28±.10 有了10％的标签数据，它就对ImageNet进行了重大改进。 模型 top-1精度 前5位准确性 ResNet-50 55.09 77.26 UDA 68.78 88.80 这个怎么运作 UDA是一种半监督学习的方法，它减少了对带有标记的示例的需求，并更好地利用了没有标记的示例。 我们发布的内容 我们发布以下内容： 基于BERT的文本分

卷积神经网络去模糊 Tensorflow中的深度CNN实施可对文本图像进行去模糊处理 目录 安装 克隆项目， > git clone git@github.com:satwikkansal/deblurring_cnn.git > cd deblurring_cnn 安装依赖项， > pip install -r requirements.txt 用法 可以按照的说明下载数据集。 下载后，将数据相应地放置在data/train和data/test目录中。 使用以下命令开始训练， > python train.py 输出将保存在output目录中。 贡献 欢迎所有补丁！ 执照 MIT许可证-有关详细信息，请参阅文件 致谢 参考： http : //www.fit.vutbr.cz/~ihradis/pubs.php? file=/pub/10922/hradis1

主要介绍了TensorFlow Autodiff自动微分详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

anaconda安装tensorflow-gpu前提条件具体步骤参考连接 好吧，这是我第一次写博文，这个排版也太麻烦了吧！虽然知道是为了更好的写博文，但是有点新手不友好的感觉。主要是为了纪念一下装了两天的tensorflow-gpu终于装上了，以及最终解决办法 前提条件 （1）默认装好了anaconda,反正我是直接在镜像源下载anaconda3，就跟正常软件下载一样。为什么用anaconda,因为新手友好啊，不管是命令还是ui操作，就很方便。而且我也不知道为什么pip与我八字不合，从来没有成功过 （2）创好了你自己想要的虚拟环境，注意的是，最好是python3.5/3.6，其他可能装不上t