2205 条“后训练量化” 相关内容
- TensorFlow表现 | PerformanceHow to Quantize Neural Networks with TensorFlow（如何量化神经网络的张力?）
How to Quantize Neural Networks with TensorFlow（如何量化神经网络的张力?）
训练神经网络是通过对权重施加许多微小移动来完成的，而这些小增量通常需要浮点精度才能工作（尽管这里也有研究努力使用量化表示）。 采用预先训练的模型并运行推理是非常不同的。
- TensorFlow教程 | TutorialsHow to Retrain Inception's Final Layer for New Categories（如何为新类别重新训练盗梦空间的最后一层）
How to Retrain Inception's Final Layer for New Categories（如何为新类别重新训练盗梦空间的最后一层）
- TensorFlow开始 | Get StartedRegression Examples（回归的例子）
Regression Examples（回归的例子）
- TensorFlow扩展 | ExtendTensorFlow Architecture（TensorFlow架构）
TensorFlow Architecture（TensorFlow架构）
TensorFlow架构 我们为大规模分布式训练和推理设计了TensorFlow，但它也足够灵活，可以支持新机器学习模型和系统级优化的实验。 本文档描述了使这种规模和灵活性相结合的系统架构。
- TensorFlow开始 | Get StartedTensorBoard: Visualizing Learning（TensorBoard:可视化学习）
TensorBoard: Visualizing Learning（TensorBoard:可视化学习）
TensorBoard:VisualizingLearning 您将使用TensorFlow进行的计算（如训练大量深度神经网络）可能会很复杂且令人困惑。
- TensorFlow表现 | PerformanceHigh-Performance Models（高性能的模型）
High-Performance Models（高性能的模型）
并行化图像处理 读取图像后，将RecordInput它们作为张量传递给图像处理管道。为了使图像处理流水线更容易解释，假设输入流水线的目标是8个GPU，批量为256（每个GPU32个）。
- TensorFlow开始 | Get StartedTensorFlow Mechanics 101（TensorFlow力学101）
TensorFlow Mechanics 101（TensorFlow力学101）
data_sets.validation5000个图像和标签，用于迭代验证训练精度。data_sets.test10000个图像和标签，用于最终测试的训练精度。
- TensorFlow开始 | Get StartedDeep MNIST for Experts（针对专家的深度MNIST）
Deep MNIST for Experts（针对专家的深度MNIST）
我们将矢量化的输入图像乘以x权重矩阵W，并且添加偏差b。 y=tf.matmul(x,W)+b 我们可以很容易地指定一个损失函数。
- PHPImage/GraphicsMagickGmagick::quantizeimages
Gmagick::quantizeimages
- TensorFlow教程 | TutorialsImproving Linear Models Using Explicit Kernel Methods（使用显式内核方法改进线性模型）
Improving Linear Models Using Explicit Kernel Methods（使用显式内核方法改进线性模型）
- PHPImage/GraphicsMagickGmagick::quantizeimage
Gmagick::quantizeimage
一个零或一个告诉量化选择Log4（number_colors）的最佳树深度。％这个深度的树通常允许具有最少内存量和最快计算速度的参考图像的最佳表示。
- TensorFlow表现 | PerformanceBenchmarks（基准）
Benchmarks（基准）
- TensorFlow开始 | Get StartedMNIST For ML Beginners（ML的初学者MNIST 教程）
MNIST For ML Beginners（ML的初学者MNIST 教程）
训练集和测试集都包含图像及其相应的标签;例如训练图像mnist.train.images和训练标签mnist.train.labels。 每个图像是28像素×28像素。
- TensorFlow教程 | TutorialsConvolutional Neural Networks（卷积神经网络）
Convolutional Neural Networks（卷积神经网络）
- TensorFlow表现 | PerformancePerformance（性能）
Performance（性能）
最后，我们提供以下指南： 如何用TensorFlow量化神经网络，它可以解释如何在存储和运行时使用量化来减小模型大小。量化可以提高性能，特别是在移动硬件上。
- TensorFlow教程 | TutorialsA Guide to TF Layers: Building a Convolutional Neural Network（TF层指南:构建卷积神经网络）
A Guide to TF Layers: Building a Convolutional Neural Network（TF层指南:构建卷积神经网络）
这些方法中的每一个都接受张量作为输入，并将变换后的张量作为输出返回。这样可以很容易地将一个图层连接到另一个图层：只需从一个图层创建方法获取输出并将其作为输入提供给另一个图层。
- TensorFlow开始 | Get Startedtf.estimator Quickstart（tf.estimator快速入门）
tf.estimator Quickstart（tf.estimator快速入门）
tf.estimator快速入门 TensorFlow的高级机器学习API（tf.estimator）可以轻松配置，训练和评估各种机器学习模型。
- TensorFlow教程 | TutorialsTensorFlow Wide & Deep Learning Tutorial（广泛深入的学习教程）
TensorFlow Wide & Deep Learning Tutorial（广泛深入的学习教程）
TensorFlow广泛和深度学习教程 在之前的TensorFlow线性模型教程中，我们使用人口普查收入数据集训练了一个逻辑回归模型来预测个人年收入超过5万美元的概率。
- TensorFlow扩展 | ExtendCreating Estimators in tf.estimator（在tf.estimato创建自定义估算器）
Creating Estimators in tf.estimator（在tf.estimato创建自定义估算器）
- C++算法 | Algorithmstd::execution::parallel_policy
std::execution::parallel_policy
3%29执行策略类型作为唯一类型用于消除并行算法重载的歧义，并指示并行算法%27s执行可以被并行化、矢量化或迁移到线程%28，例如由父窃取调度程序%29执行。
腾讯云开发者
扫码关注腾讯云开发者
领取腾讯云代金券
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