摘要：
昨晚终于实现了Tensorflow模型的部署 使用TensorFlow Serving 1、使用Docker 获取Tensorflow Serving的镜像，Docker在国内的需要将镜像的Repository地址设置为阿里云的加速地址，这个大家可以自己去CSDN上面找 然后启动docker 2、使 阅读全文
摘要：
最近公司可谓是风云变幻，年前说要拆开卖，后来说要整体卖，表示像我这种渣渣，始终逃脱不掉被卖的命运 下面进入正题 spring webflux 是spring 支持的高并发web框架，将每个http请求都以java nio的非阻塞方式来进行处理 这样当cpu在处理一个请求的空隙时，还有时间来处理其他请 阅读全文
摘要：
将Tensorflow模型部署成Restful接口 下面是实现过程，整个操作都是在Linux上面实现的，因为Tensorflow Serving 目前还只支持Linux 这个意义真的是革命性的，因为从此以后大家就可以将训练好的模型真正的 通过Restful接口与其他所有的ERP 或者 CRM系统进行 阅读全文
摘要：
下面是分类的主函数入口 下面是TextCNN模型的图构建过程: 下面是读取文本文件的过程: 下面是训练过程中的log Loading data... Vocabulary Size: 18758 Train/Dev split: 9596/1066 2018-02-17 22:22:49.27875 阅读全文
摘要：
下面是上面代码的输出结果: 阅读全文
摘要：
# SavedModelBuilder 类提供了保存多个MetaGraphDef的功能 # MetaGraph是一个数据流图，加上它的关联变量，资产和标签 # 一个MetaGraphDef是一个协议缓冲表示区 # 一个signature是计算图的输入和输出表示 # 如果assets需要被保存或者写入到磁盘上，当第一个MetaGraphDef被加载的时候 # asset就可以被提供 # 如果多个M... 阅读全文
摘要：
下面是输出的结果: 阅读全文
摘要：
下面是输出的结果： 阅读全文
摘要：
结果如下所示: 阅读全文
摘要：
保存的结果如下： 阅读全文
摘要：
# Programming with multiple graphs # 当训练一个模型的时候一个常用的方式就是使用一个图来训练你的模型 # 另一个图来评价和计算训练的效果 # 在许多情况下前向计算和训练是不同的 # 例如像Dropout和batch正则化使用不同的操作在不同的Case条件下 # 更进一步地说 通过使用默认的工具类，如tf.train.Saver使用tf.Variable的命名空... 阅读全文
摘要：
import tensorflow as tf # Build your graph x = tf.constant([[37.0, -23.0], [1.0, 4.0]], name="inputs") w = tf.Variable(tf.random_uniform([2, 2]), name="weights") _y = tf.matmul(x, w, name="predict_y"... 阅读全文
摘要：
下面是输出的结果: 阅读全文
摘要：
下面是输出的结果: 阅读全文
摘要：
# tf.Session.run 方法是一个执行tf.Operation或者计算tf.Tensor的一个主要的机制 # 你可以传递一个或者多个tf.Operation或者tf.Tensor对象来给tf.Session.run # TensorFlow会执行operation操作来计算结果 # tf.Session.run需要你来指定一系列的获取，这些决定了返回值 # 这些获取可以是 tf.Ope... 阅读全文
摘要：
# TensorFlow使用tf.Session类来表示客户端程序之间的链接 # 虽然一个在其他语言中相似的接口也是可以使用的，列如C++ runtime # 一个tf.Session对象提供了访问本地机器的方法，和使用TensorFlow运行时远程链接到设备的方法 # 它也对你的计算图信息进行缓存，因此你可以高效地运行相同的计算很多遍 # import tensorflow as tf # C... 阅读全文
摘要：
# tf.device给你了很多可伸缩性在TensorFlow的计算图中选择放置你的单独的操作 # 在许多的情况下，有很多启发可以工作的很好 # 例如tf.train.replica_device_setter API可以和tf.device一起使用，在进行数据分布式并行性话训练的时候 # 列如下面的代码块显示了tf.train.replica_device_setter 如何在tf.Vari... 阅读全文
摘要：
# 如果你在分布式环境中部署TensorFlow # 你或许需要指定job name和task ID # 来将变量放置在参数服务器上 # 将操作放在worker job import tensorflow as tf with tf.device("/job:ps/task:0"): weights_1 = tf.Variable(tf.truncated_normal([784, 1... 阅读全文
摘要：
# 如果你想使你的程序运行在不同的设备上 # tf.device函数提供了一个方便的方法来实现 # 所有在特定上下文中的操作都放置在相同的设备上面 # A device specification has the following form: # /job:/task:/device:: # 是一个字母数字字符串，并且不以数字开头 # GPU or CPU # 是... 阅读全文
摘要：
下面是上面代码的输出结果: 阅读全文