- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据科学（冷冻工厂）
轻松配置深度学习模型 ?
由于所有模块都需要大量参数和设置，因此管理深度学习模型可能很困难。训练模块可能需要诸如 batch_size 或 num_epochs 之类的参数或学习率调度程序的参数。 为什么我们需要在 TOML 中进行配置？ 使用 TOML 存储 ML 模型的模型/数据/部署配置有两个优点： 在单个文件中管理所有配置：使用 TOML 文件，我们可以创建不同模块所需的多组设置。 使用大多数 VM 上可用的 vim 或 nano 可以轻松编辑单个配置文件。 ❞ 我们如何从 TOML 读取配置？ 'learning_rate': 0.001, 'num_epochs': 10}} 如果您正在使用 W&B Tracking 或 MLFlow 等 MLOps 工具 MLOps 工具还可以管理模型的版本及其配置，但上述方法的简单性是独一无二的，并且需要对现有项目进行最少的更改。
48410编辑于 2023-08-10 - 来自专栏NLP算法工程师之路
如何配置深度学习系统
深度学习环境创建 注意不需要手动配置cuda和cudnn,直接conda安装 TF环境 1.x推荐1.14.0版本 conda install tensorflow-gpu==1.14.0 #conda cuda10.0.130_cudnn7.6.3_0.tar.bz2 conda install pytorch-1.3.0-py3.6_cuda10.0.130_cudnn7.6.3_0.tar.bz2 从头配置
1.6K20发布于 2019-12-18 - 来自专栏有趣的Python和你
深度学习笔记|环境配置
最近又给自己来挖坑了，这次给大家带来的就是深度学习的笔记，这里没有复杂的算法推导，而是以代码为主，让大家也能通过深度学习完成一些有趣的项目。 参考书籍 《深度学习人工智能实践应用》 《西瓜书》 《21个项目玩转深度学习》 ps：无广告，只是手上刚好有这几本书。 适合人群 会python基础语法 数据分析会一点（数据需要预处理） 简单了解过神经网络 配置环境 创建虚拟环境 为了让项目相互独立，不同项目使用不同的Python环境是很重要的，这里使用的为anaconda 结束 自己也是刚开始看深度学习方面的书籍，如有错误，还望各位网友指出，感谢~
57730发布于 2018-12-28 - 来自专栏人工智能LeadAI
Keras深度学习框架配置
项目代码是在Windows 7上运行的，主要用到的Matlab R2013a和Python，其中Matlab用于patch的分割和预处理，卷积神经网络搭建用到了根植于Python和Theano的深度学习框架 Keras是基于Theano的一个深度学习框架，它的设计参考了Torch，用Python语言编写，是一个高度模块化的神经网络库，支持GPU和CPU，用起来特别简单，适合快速开发。 ，也就是说可以运行你的深度学习代码啰：) 至于说找keras的源代码，去这儿里随便挑一个，一般就用mnist_cnn.py。 不要装Python3.5.1，不然后续的深度学习配置各种坑。在Python的官方主页下载Python安装包。 安装深度学习框架Keras 上面都是基本的准备东西，要是你已经跪在前面了，那。。只能。。自求多福：) 啰，我现在要开始正式讲keras怎么用了！
2.3K40发布于 2018-03-09 - 来自专栏陶陶计算机
深度学习之环境配置
我们都知道，在学习计算机的过程中，总会出现各种各样的问题，这一点我想计算机专业的伙伴们感同身受；更别说在学习深度学习的过程中了。 接下来，就介绍一下几个深度学习过程中几个典型而又容易范的错误。 cudnn是nvidia打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，cudnn不是必须的，但是一般会采用这个加速库。 而cudatoolkit则是cuda相关的工具包。 以上四者之间必须有个版本对应和匹配的问题。 _get_available_gpus()) 如果能输出下述包含GPU的信息的话那说明当前的keras版本也是支持GPU的 [在这里插入图片描述] Torch的话安装到时候一般都会根据官网的配置要求来 tensorfow或者keras： pip install tensorflow-gpu conda install keras-gpu （3）最后再介绍一个免费的GPU资源 如果大家没有GPU资源又或者嫌配置太糟心
84120编辑于 2022-05-12 - 来自专栏目标检测和深度学习
深度学习图像标注工具
对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限。世界上最遥远的距离就是我们用同一个模型，但是却有不同的任务。 但是数据标注是个耗时耗力的工作，下面介绍几个图像标注工具： ▌Labelme Labelme适用于图像分割任务的数据集制作： ? 它来自于下面的项目： https://github.com/AlexeyAB/Yolo_mark 它是yolo2的团队开源的一个图像标注工具，为了方便其他人使用yolo2训练自己的任务模型。 它来自下面的项目： https://github.com/Microsoft/VoTT/ 微软的开源工具，既可以标注视频，也可以标注图片，而且支持已有模型的集成，功能强大。 它来自下面的项目： https://github.com/frederictost/images_annotation_programme 除此之外，还有很多类似的工具，与上面的工具相比，并没有什么特色了
2.7K60发布于 2018-07-23 - 来自专栏AI研习社
深度学习的NLP工具
深度学习的NLP工具 ? 为什么最新的模型结果这么难以复现？为什么去年可以工作的代码和最新发布的深度学习框架不适配？为什么一个很直白的基线这么难以建立？ 在亚马逊云服务（AWS）上研究深度学习和自然语言处理之后，我发现这不是个例。重现NLP模型比计算机视觉模型难得多。数据预处理管道包括需要重要步骤，并且模型本身有很多可调节组件。 如果没有合适的工具，每次你开始新的项目，你都有遭遇全新问题的风险。 许多MXNet的贡献者和我曾经分享我们在做NLP时遇到的问题，并且每个人都有相似的故事，我们之间有很强的共鸣。 我们决定开发一个工具来帮助你复现最新的研究结果，并且简单的在Gluon中开发新模型。 一个主要原因是深度学习库的API会随时间变化。
90120发布于 2018-12-24 - 来自专栏AI机器学习与深度学习算法
机器学习入门 11-9 SVM思想解决回归问题
--王尔德 全文字数：1495字 阅读时间：9分钟 前言 本系列是《玩转机器学习教程》一个整理的视频笔记。 【机器学习】机器学习入门 11-6 到底什么是核函数 【机器学习】机器学习入门 11-7 RBF核函数 【机器学习】机器学习入门 11-8 RBF核函数中的gamma 【Pytorch】PyTorch
1.3K31发布于 2020-10-26 - 来自专栏CSDN技术头条
深度学习入门之工具综述
【摘要】本文评估了当前热门的深度学习工具，对于想进行深度学习开发的团队来说，可以参考一二。以下为译文： 在硅谷数据科学公司里，我们的研发团队调研了从图像识别到语音识别等不同的深度学习技术。 然而，当开发者研究什么技术可应用时，却找不到一个简明的可供参考的总结材料来开始一个新的深度学习研究项目。 回馈提供工具的开源社区的一个方法是帮助他人评估和选择工具。 请注意这不是目前深度学习框架详尽的列表，更多的框架可以在这里找到。 Keras兼容性：Keras是实现快速深度学习原型的一个高水平库。我们发现它是让数据科学家轻松使用深度学习的一个非常好的工具。 如果你对深度学习感兴趣，建议你先评估团队成员的技术水平和项目需求。例如，对于一个使用Python开发图像识别应用的团队，建议使用文档丰富，性能不错，原型工具好的TensorFlow。
95260发布于 2018-02-12 - 来自专栏AI人工智能
深度学习工具一览
来源商业新知网，原标题：当今市场最具前景的深度学习工具一览 解决问题往往需要大量工具的支持，深度学习也不例外。 要说真有什么区别的话，那就是在不远的将来，用好这一领域的工具将愈发重要。 除了人才辈出，我们还见证着越来越多深度学习工具的诞生，它们有助于推进深度学习曲折的发展进程，增加其便利性与高效性。 随着这一进程的发展，我们也整理出了一份最佳深度学习工具图表。 研究深度学习生命周期 要想对高效便捷的深度学习工具做出更好的评估，我们应先了解下深度学习周期的大致情况。 如果没有合适的工具予以辅助，尤其是在许多工程师采用同样的深度学习数据管道进行作业时，这个过程很快便会变得盘根错节，扑朔迷离。 强推——深度学习工具一览 知识贵在分享，下面的图表简要地列举了当今市场最具前景的深度学习工具。 这些工具由深度学习工程师所研制，惠及所有乐于为深度学习这一超赞技术添砖加瓦的同道中人。
76030发布于 2019-04-25 - 来自专栏深度学习与计算机视觉
深度学习图像标注工具汇总
https://blog.csdn.net/chaipp0607/article/details/79036312 对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限 但是数据标注是个耗时耗力的工作，下面介绍几个图像标注工具： Labelme Labelme适用于图像分割任务的数据集制作： ? 它来自于下面的项目：https://github.com/AlexeyAB/Yolo_mark 它是yolo2的团队开源的一个图像标注工具，为了方便其他人使用yolo2训练自己的任务模型。 它来自下面的项目： https://github.com/Microsoft/VoTT/ 微软的开源工具，既可以标注视频，也可以标注图片，而且支持已有模型的集成，功能强大。 它来自下面的项目： https://github.com/frederictost/images_annotation_programme 网页版的哦 除此之外，还有很多类似的工具，与上面的工具相比
2.2K20发布于 2019-05-26 - 来自专栏智能算法
深度学习入门之工具综述
Getting Started with Deep Learning: A REVIEW OF AVAILABLE TOOLS 作者： MATTHEW RUBASHKIN 翻译：冯斌 【摘要】本文评估了当前热门的深度学习工具 ，对于想进行深度学习开发的团队来说，可以参考一二。 然而，当开发者研究什么技术可应用时，却找不到一个简明的可供参考的总结材料来开始一个新的深度学习研究项目。 回馈提供工具的开源社区的一个方法是帮助他人评估和选择工具。 Keras兼容性：Keras是实现快速深度学习原型的一个高水平库。我们发现它是让数据科学家轻松使用深度学习的一个非常好的工具。 如果你对深度学习感兴趣，建议你先评估团队成员的技术水平和项目需求。例如，对于一个使用Python开发图像识别应用的团队，建议使用文档丰富，性能不错，原型工具好的TensorFlow。
1K130发布于 2018-04-03 - 来自专栏Blog for ClancyCC
动手学深度学习安装环境配置
本文章基于李沐老师的《动手学深度学习》(pytorch版)，在此学习观礼膜拜。 https://zh-v2.d2l.ai/ 课程论坛讨论：https://discuss.d2l.ai/c/16Pytorch 论坛： https://discuss.pytorch.org/ 深度学习介绍 当前深度学习和机器学习（在数学上的）的可解释性不是很好，更多地将其认定为黑盒，在等待更好的学术进展。 环境安装与配置 本环境的安装共分为以下几步： 安装Miniconda并配置好环境变量：去Miniconda官网找到对应版本（我选的是Windows installers中的Python 3.8 Miniconda3 我推荐文章《CSDN博主「阿雪_」：跟李沐学AI 动手学深度学习 环境配置d2l、pytorch的安装 （windows环境、python版本3.7）》。 使用conda创建虚拟环境并激活。
2.7K30编辑于 2023-02-09 - 来自专栏小小挖掘机
深度学习环境配置有哪些坑？
深度学习第一问是关于环境配置的。之前笔者也在深度学习60讲系列中讲到如何配置深度学习开发环境的问题：深度学习笔记15：ubuntu16.04 下深度学习开发环境搭建与配置。 但环境配置并不是一路顺利的，总有些奇奇怪怪的问题让人头疼，所以，在第一问中笔者选取了几个典型的环境配置的错误供大家参考。 1. 而cudatoolkit则是cuda相关的工具包。 以上四者之间必须有个版本对应和匹配的问题。 使用Python虚拟环境时要注意的坑 一般来说，大家在共用实验室GPU服务器的时候为了避免环境污染都会各自建好虚拟环境，在虚拟环境下进行各自的深度学习实验。 那么需要重新安装带gpu版本的tensorfow或者keras： pip install tensorflow-gpu conda install keras-gpu 按照上述过程下来一般就会顺利配置好各深度学习框架版本
2.1K30发布于 2019-12-19 - 来自专栏share ai happiness
机器学习和深度学习网络绘图工具
之前见好多学长学姐做分享的时候，PPT上有很多比较好看的模型图，我在网上看到许多绘图工具。今天在网上找见了个我想要的绘图工具，这个画图模板需要科学上网才能进行访问。 NN-SVG 这个工具可以非常方便的画出各种类型的图。以平铺网络结构展示，用二维的方式，适合查看每一层featuremap的大小和通道数目。 有FCNN style、LeNet style、AlexNet style三种模型，下面是链接：http://alexlenail.me/NN-SVG/ 绘图工具还有很多，如：PlotNeutralNet 还有一个是我这次推荐的，这是下面是使用这个工具的一些模型图，看着确实挺高大上的。 爱斯达克国家圣诞节宫颈卡卡卡坎坎坷坷呃呃呃呃呃哦哦哦哦哦啊啊啊啊啊 公众号回复“绘图”可以获取下载地址。
1.6K20发布于 2021-05-18 - 来自专栏IT派
资源 | 深度学习图像标注工具汇总
对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限。世界上最遥远的距离就是我们用同一个模型，但是却有不同的任务。 但是数据标注是个耗时耗力的工作，下面介绍几个图像标注工具： ▌Labelme Labelme适用于图像分割任务的数据集制作： ? 它来自于下面的项目： https://github.com/AlexeyAB/Yolo_mark 它是yolo2的团队开源的一个图像标注工具，为了方便其他人使用yolo2训练自己的任务模型。 它来自下面的项目： https://github.com/Microsoft/VoTT/ 微软的开源工具，既可以标注视频，也可以标注图片，而且支持已有模型的集成，功能强大。 它来自下面的项目： https://github.com/frederictost/images_annotation_programme 除此之外，还有很多类似的工具，与上面的工具相比，并没有什么特色了
68620发布于 2018-08-10 - 来自专栏AI科技大本营的专栏
资源 | 深度学习图像标注工具汇总
作者 | chaibubble 来源 | CSDN 网站 对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限。世界上最遥远的距离就是我们用同一个模型，但是却有不同的任务。 但是数据标注是个耗时耗力的工作，下面介绍几个图像标注工具： ▌Labelme Labelme适用于图像分割任务的数据集制作： ? 它来自于下面的项目： https://github.com/AlexeyAB/Yolo_mark 它是yolo2的团队开源的一个图像标注工具，为了方便其他人使用yolo2训练自己的任务模型。 它来自下面的项目： https://github.com/Microsoft/VoTT/ 微软的开源工具，既可以标注视频，也可以标注图片，而且支持已有模型的集成，功能强大。 它来自下面的项目： https://github.com/frederictost/images_annotation_programme 除此之外，还有很多类似的工具，与上面的工具相比，并没有什么特色了
96930发布于 2018-07-23 - 来自专栏Python进阶之路
了解机器学习深度学习常用的框架、工具
scikit-learn 的优点和不足 优点： 易于学习和使用：scikit-learn 的 API 设计简单，容易上手。 丰富的算法和工具：提供了大量的经典机器学习算法和工具。 PyTorch 的基本信息和特性 PyTorch 是一个开源的深度学习框架，提供了丰富的工具和库，为用户构建、训练和部署深度学习模型提供了便利。 Caffe 模型的配置文件是以纯文本模式编写的，它使用一种简单的语法格式将模型结构描述为图形结构。配置文件主要包含网络结构、数据层、损失函数、优化器等信息。 它以百度多年的深度学习技术研究和业务应用为基础，集核心框架、基础模型库、端到端开发套件、丰富的工具组件于一体，成为中国首个自主研发、功能丰富、开源开放的产业级深度学习平台。 NVIDIA TensorRT 的基本信息和特性 基本信息：TensorRT 是一个高效的深度学习模型推理软件开发工具包，采用 C++ 开发，并提供 C++ 和 Python 的 API 接口。
3.2K01编辑于 2024-05-25 - 来自专栏人工智能头条
资源 | 深度学习图像标注工具汇总
作者 | chaibubble 来源 | chaibubble的CSDN博客 对于监督学习算法而言，数据决定了任务的上限，而算法只是在不断逼近这个上限。 但是数据标注是个耗时耗力的工作，下面介绍几个图像标注工具： ▌Labelme Labelme适用于图像分割任务的数据集制作： 它来自下面的项目： https://github.com/wkentaro yolo_mark yolo_mark适用于图像检测任务的数据集制作： 它来自于下面的项目： https://github.com/AlexeyAB/Yolo_mark 它是yolo2的团队开源的一个图像标注工具 ▌VoTT VoTT适用于图像检测任务的数据集制作： 它来自下面的项目： https://github.com/Microsoft/VoTT/ 微软的开源工具，既可以标注视频，也可以标注图片 ，与上面的工具相比，并没有什么特色了，我们只给出链接，不详细介绍了： ▌ImageNet-Utils https://github.com/tzutalin/ImageNet_Utils ▌labeld
1K10发布于 2018-07-20 - 来自专栏人工智能LeadAI
深度学习工具caffe详细安装指南
02 cuda的安装，如果机器上配置了NVIDIA系列GPU，则需要安装该驱动，推荐安装该驱动至7.0版本，推荐同时安装cuDNN。 推荐在目标机器上编译安装python2.7.10，源码下载地址见python官网，为了多用户环境考虑，强烈建议安装目标用户自己的python，可以在自己用户的home下建立usr文件夹，解压源码后加如下配置命令 安装好后需要配置目标用户下的bashrc文件，加入如下行： PATH=/home/lianhua/usr/local/bin:$PATH 然后source bashrc文件，如果进入python版本正确则安装成功 www.jianshu.com/p/a41da779f763（opencv安装） 2、利用自动脚本安装 地址：https://github.com/jayrambhia/Install-OpenCV 08 caffe安装配置 关键在于正确配置Makefile.config文件，需要修改如下配置至相应的路径（参照配置文件的注释，疑惑的地方google即可）： 1、CUDA_DIR 2、BLAS := open，BLAS_INCLUDE
1.5K90发布于 2018-03-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号