Jiesonshan

Thinking will not overcome fear but action will.

TVM初次使用体验

编译及auto-tuning

TVM 初次使用体验 TVM 官方网: https://tvm.apache.org/ 一次偶然的机会听说到tvm, 一直比较茫然,不知道从哪里下手开始学习, 故开始了本次实验之路….. 环境 系统:ubuntu16.04 架构: X86 cpu1:Intel(R) Core(TM) i5-3210M CPU @ 2.50GHz(笔记本) cpu2:Intel(R) Xeon(R)...

tensorflow-Serving部署及调用

tensorflow serving

tf-serving 部署模型及调用方法      Tensorflow Serving 是一个用于机器学习模型 serving 的高性能开源库。它可以将训练好的机器学习模型部署到线上,使用 gRPC 作为接口接受外部调用。更加让人眼前一亮的是,它支持模型热更新与自动模型版本管理。这意味着一旦部署 TensorFlow Serving 后,你再也不需要为线上服务操心,只需要关心你的线下模型训...

Nuitka打包python使用方法

安装配置及使用

Nuitka打包python使用方法 Nuitka 简介 Nuitka是Python编译器,它是用Python编写,对Python解释器的无缝替换或扩展,兼容多个CPython版本。 你可以自由使用所有Python库模块和所有扩展模块。 Nuitka将Python模块转换为一个C语言程序,然后使用libpython和它自己的静态C文件用与CPython相同的方式执行。 相关软件及配置 1、...

A Unified Selective Transfer Network for Arbitrary Image Attribute Editing

论文总结

A Unified Selective Transfer Network for Arbitrary Image Attribute Editing 论文地址: https://arxiv.org/abs/1904.09709 论文代码: https://github.com/csmliu/STGAN #### References [1]https://github.com/ten...

Pose-Guided Photorealistic Face Rotation

论文总结

Pose-Guided Photorealistic Face Rotation References [1]https://github.com/tensorflow/tensorflow/issues/7469 [2]https://github.com/tensorflow/tensorflow/issues/1122#issuecomment-280325584 [3]htt...

tensorflow1.x中batch_norm

避坑操作

tensorflow 1.x 中 batch_norm 写这次总结是因为不止一次的遇到了batch_norm的问题,于是决心记录下来,以免再次绊倒! 使用方法 在构建模型进行分类时发现,模型在测试集和训练集上的结果相差甚远,用训练集测试时结果也很低,当把train_phase 设置 成true时,测试结构明显提高。这明显不符合逻辑,最终定位到batch_norm的使用上。 因为batch...

cuda安装

--cuda and cudnn

本次操作都是基于ubuntu16.04的操作,安装cuda9.0,cudnn7.3.1 环境 系统:ubuntu16.04 显卡型号:GeForce GTX 1080 安装步骤 1、如果以安装显卡驱动,先卸载原来的驱动,如果没有则跳过 sudo apt-get remove --purge nvidia* 如果是通过runfile文件安装,可通过原始安装文件卸载 sudo ...

tf-serving 部署模型的方法

tensorflow

tf-serving 部署模型的方法      Tensorflow Serving 是一个用于机器学习模型 serving 的高性能开源库。它可以将训练好的机器学习模型部署到线上,使用 gRPC 作为接口接受外部调用。更加让人眼前一亮的是,它支持模型热更新与自动模型版本管理。这意味着一旦部署 TensorFlow Serving 后,你再也不需要为线上服务操心,只需要关心你的线下模型训练。...

人脸识别的常用loss及tensorflow实现

常用loss总结

人脸识别的常用loss及tensorflow实现     在人脸识别中,模型的提升主要体现在损失函数的设计上,损失函数会对整个网络的优化有着导向性的作用。从传统的softmax loss到cosface, arcface 都有这一定的提高。 1、softmax loss \[loss = -\frac{1}{m}\sum_{i=0}^m log\frac{e^{W^T_{y_i} + b...