创建一个最最简单的python+django项目，然后在docker容器中运行。 环境： 192.168.174.134服务器中 docker镜像: python:2（python2.7.15） django: 1.8.3 1. 在134服务器中创建python项目 django-admin startproject ops python manage.py migrate 创建一个root用户 python manage.py createsuperuser
首先 Python 是一种面向对象的解释型程序语言，运行 Python 程序时是将 *.py 编译为独有的二进制编码 pyc 文件，然后对 pyc 中的指令进行解释执行，但是对 pyc 文件进行反编译也是比较简单的，可直接反编译为源码。
一个类，初始化器，它生成具有常量值的张量。由新张量的期望shape后面的参数value指定。参数value可以是常量值，也可以是类型为dtype的值列表。如果value是一个列表，那么列表的长度必须小于或等于由张量的期望形状所暗示的元素的数量。如果值中的元素总数小于张量形状所需的元素数，则值中的最后一个元素将用于填充剩余的元素。如果值中元素的总数大于张量形状所需元素的总数，初始化器将产生一个ValueError。
Django集成LDAP认证有现成的django-auth-ldap模块可以使用，本文也主要以这个模块的使用为主，先安装模块
公司机房有一台2U的服务器（64G内存，32核），由于近期新增业务比较多，测试机也要新增，服务器资源十分有限。所以打算在这台2U服务器上部署kvm虚拟化，虚出多台VM出来，以应对新的测试需求。 当KVM宿主机越来越多，需要对宿主机的状态进行调控，决定采用WebVirtMgr作为kvm虚拟化的web管理工具，图形化的WEB，让人能更方便的查看kvm 宿主机的情况和操作 WebVirtMgr是近两年来发展较快，比较活跃，非常清新的一个KVM管理平台，提供对宿主机和虚机的统一管理，它有别于kvm自带的图形管理工具
tensorflow自定义op，梯度 tensorflow 是 自动微分的，但是如果你不给它定义微分方程的话，它啥也干不了 在使用 tensorflow 的时候，有时不可避免的会需要自定义 op，官
之前的版本发完，有空来更新一下之前的gcc和llvm+clang工具链的编译脚本了。其实GCC 7是才release没多久但是llvm 4.0发布其实有一段时间了。
当今众多的基于Python的AI框架（如MindSpore、PyTorch等）给了开发者非常便利的编程的条件，我们可以用Python的简单的语法写代码，然后由框架在后端自动编译成可以在GPU上高效计算的程序。而对于一些定制化比较高的算法，MindSpore也支持了相关的接口，允许开发者自己开发相应的CUDA算子（需要统一接口），然后编译成.so动态链接库，再用MindSpore内置的函数加载为本地算子。本文针对这种方案写一个简单的示例。
在运维实战中，如果有若干台数据库服务器，想对这些服务器进行同等动作，比如查看它们当前的即时负载情况，查看它们的主机名，分发文件等等，这个时候该怎么办？一个个登陆服务器去操作，太傻帽了！写个shell去执行，浪费时间~~ 这种情况下，如果集群数量不多的话，选择一个轻量级的集群管理软件就显得非常有必要了。ClusterShell就是这样一种小的集群管理工具，原理是利用ssh，可以说是Linux系统下非常好用的运维利器！ 选择了clustershell这个软件（也简称clush），原因如下： 1）安装方便。一条
Python中的模块是可以将代码量较大的程序分割成多个有组织的、彼此独立但又能互相交互的代码片段，这些自我包含的有组织的代码段就是模块。Python允许“导入”其他模块以实现代码重用，从而也实现了将独立的代码文件组织成更大的程序系统。Python中，模块也是对象。在一个模块的顶层定义的所有变量都在被导入时成为了被导入模块的属性。
Tensorflow激发开发人员在几乎任何想到的领域中尝试他们令人兴奋的AI创意。ML社区中有三个众所周知的因素构成了一个好的深度神经网络模型做了一些神奇的事情。
python中的字典不是序列，而是一种映射；不通过位置而是通过键存储。字典是可变的。
很多博客中提到的 models/（位于根目录下，该目录下存放这多个使用python实现的模型实例），我并没有看到。估计是最新版的Tensorflow源码取消了这个文件夹。
saltstack的深入-管理python-pip 操作内容： 一、基础环境 1、使用tvm-saltmaster操作 2、网络： eth0：host-only（用于虚拟内网，手动固定IP，这样从宿主机可以直接连接到这个vm） eth1：NAT（用于上外网，动态IP） [root@tvm-zabbix ~]# cd /etc/sysconfig/network-scripts/ [root@tvm-zabbix network-scripts]# cat ifcfg-eth0 DEVICE=eth0 TYP
Django入门 项目创建和APP创建 准备环境 python3 virtualenv pip3 pip3 install django==1.1 项目创建,APP创建 django-admin startproject ops cd ops python3 manage.py startapp darshboard cd darshboard #进入项目路径 touch urls.py #创建路由文件 项目结构如下： ops/ |-- darshboard | |-- admin.py | |-- ap
slim是一种轻量级的tensorflow库，可以使模型的构建，训练，测试都变得更加简单。在slim库中对很多常用的函数进行了定义，slim.arg_scope()是slim库中经常用到的函数之一。函数的定义如下；
这是一个关于mindspore-gl的官方介绍，其定位非常接近于dgl，而且从文章（参考链接3）中的数据来看，mindspore-gl的运算效率还要高于dgl。
在MindSpore深度学习框架中，我们可以使用mindspore.grad对函数式编程的函数直接计算自动微分，也可以使用mindspore.ops.GradOperation求解Cell类的梯度dout。本文所介绍的mindspore.ops.InsertGradientOf是一个对dout进一步进行处理的算子，类似于在Cell类中自定义一个bprop函数，不改变前向传播输出的结果，只改变反向传播的结果。
给定一个表达式，其中运算符仅包含 +,-,*,/（加 减 乘 整除），可能包含括号，请你求出表达式的最终值。
上一篇我介绍了Tensorflow如何数据并行多GPU处理。这一篇我会说一说如何来调试Tensorflow模型。
Python API Guides (仅记录日常用到的api) TensorFlow API 树 (Python) Tensor转换： Ref 生成tensor tf.string_to_number tf.to_double tf.to_float tf.to_bfloat16 tf.to_int32 tf.to_int64 tf.cast tensor形状op tf.shape tf.size tf.rank tf.reshape tf.squeeze tf.expand_di
了解过Traefik,nginx-ingress的同学都知道他们的官方文档都是基于mkdocs和material主题制作而成，你觉得这种文档库怎么样？有没有心动把自己的文档也整成那样的？，下面我们直接动手干起来吧。
但 Caffe2 不仅擅长 CNNs，还能够提供更加通用的ModelHelperobject.
在前面的几篇博客中，我们介绍了MindSpore框架下使用CUDA来定义本地算子的基本方法，以及配合反向传播函数的使用，这里主要探讨一下MindSpore框架对于CUDA本地算子的输入输出的规范化形式。
激活函数概念 From TensorFlow - Activation_Functions： 在神经网络中，我们有很多的 非线性函数 来作为 激活函数 连续 、平滑 tf.sigmoid(x, name = None) == 1 / (1 + exp(-x)) import numpy as np import tensorflow as tf sess = tf.Session() bn = np.random.normal(0, 5, [3, 5]) print bn.shape,
最近需要将API中的doc生成html给前端工程师参考调用。 于是粗率的学习了下sphinx ---- Sphinx 是用 Python 编写的，并且最初是为 Python 语言文档而创建，但它并不一定是以语言为中心，在某些情况下，甚至不是以程序员为中心。Sphinx 有许多用处，比如可以用它来编写整本书！ 要求 安装： pip install sphinx 语法 Sphinx 使用 reStructuredText 标记语法类似与Markdown 具体可查看： http://zh-sphinx-doc.
DeepFM，Ctr预估中的大杀器，哈工大与华为诺亚方舟实验室荣耀出品，算法工程师面试高频考题，有效的结合了神经网络与因子分解机在特征学习中的优点：同时提取到低阶组合特征与高阶组合特征，这样的称号我可以写几十条出来，这也说明了DeepFM确实是一个非常值得手动撸一边的算法。
本文介绍了TensorFlow中的BN-Batch Normalization在卷积神经网络中的使用，包括训练和测试阶段。在训练阶段，使用BN层对数据进行归一化，可以加速网络的收敛，提高模型的泛化能力。在测试阶段，使用BN层对测试数据进行归一化，可以提高模型对数据的敏感性，从而更好地评估模型的性能。
在训练并保存模型时遇到的错误，解决方法是在ckpt目录前面加个点就可以解决，如下图：
这篇文章来源于MindSpore仓库中的一个Issue，简单描述问题就是，如果你用MindSpore开发了一个python软件供别人使用，那么很有可能涉及到编译构建的问题。但是如果直接使用编译好的whl包去运行的话，就有可能出现一个跟Jit即时编译有关的报错，这里Jit在其他的一些模块中也会被使用到，比如Vmap函数和Grad函数等。
作为向量数据库的佼佼者，Milvus 适用于各种需要借助高效和可扩展向量搜索功能的 AI 应用。
上期我们一起学习了强化学习中的时间差分学习和近似Q学习的相关知识， 深度学习算法(第36期)----强化学习之时间差分学习与近似Q学习 今天我们一起用毕生所学来训练一个玩游戏的AI智能体。
非监督学习 非监督学习的特点:只有特征值没有目标值。 当没有目标值时，只能把相似的特征归为一个类别。 这种分析方法叫做聚类。 聚类的过程： 如果知道可以划分为多少个类别： 这里以划分x个类别为例： 1、随即在数据中抽取x个样本，当做x个类别的中心点 2、计算其他点分别到这三个点的距离(欧氏距离),距离那个中心点近就划分为那个类别 3、计算每个类别的平均值，这个这个值于中心点相同，结束聚类。 如果不相同，以计算出的平均值为中心点，再次重复2,3步。 如果不知道需要划分为几类，就需要当做超参数处理。 模块： s
github：https://github.com/sladesha/deep_learning
安装完django，该安装xadmin了，我们都知道django有自己的原生后台admin，但这里我们不用admin，我们用xadmin，因为xadmin的界面更加漂亮。
zabbix并没有给我们提供这么一个模板来完成在Linux中磁盘IO的监控，所以我们需要自己来创建一个，在此还是在Linux OS中添加。 由于一台服务器中磁盘众多，如果只一两台可以手动添加
在定义卷积层时，可能总是使用相同的填充类型和相同的初始化器，甚至可能使用相同的卷积大小。对于池化，可能也总是使用相同的2x2池大小，等等。arg_scope是一种避免反复向相同的层类型提供相同参数的方法。
不知道大家在使用 MMCV 的过程中有没有遇到这种情况：MMCV 没有提供自己需要的 CPU/CUDA 算子，于是希望提一个 PR（Pull Request），将这个算子加入 MMCV，但是又不知从何处下手。本文以最简单的 TensorAdd 算子为例，向大家展示为 MMCV 贡献算子的全过程，希望能够帮助大家更好地理解 MMCV 算子的
定义变量，初始化,一般初始化随机值，或者常值 weights = tf.Variable(tf.random_normal([784, 200],stddev=0.35), name='weights') from tensorflow.python.framework import ops ops.reset_default_graph() biases = tf.Variable(tf.zeros([200]), name='biases') init
版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/u012436149/article/details/52874718
tf.random_normal_initializer 函数random_normal_initializer 类继承自： Initializer别名：类 tf.initializers.random_normal类 tf.keras.initializers.RandomNormal类 tf.random_normal_initializer定义在：tensorflow/python/ops/init_ops.py.请参阅指南：变量>共享变量用正态分布产生张量的初始化器.参数：mean：一个 pytho
基于链式法则的自动微分技术，是大多数深度学习框架中所支持的核心功能，旨在更加快速的进行梯度计算，并且可以绕开符号微分的表达式爆炸问题和手动微分的困难推导问题。本文主要基于MindSpore框架，记录一下几种自动微分的使用技巧。MindSpore版本信息：
tensorflow可以协调多个数据流，在存在依赖的节点下非常有用，例如节点B要读取模型参数值V更新后的值，而节点A负责更新参数V，所以节点B就要等节点A执行完成后再执行，不然读到的就是更新以前的数据。这时候就需要个运算控制器tf.control_dependencies。
而Autograph机制可以将动态图转换成静态计算图，兼收执行效率和编码效率之利。
《实例》阐述算法，通俗易懂，助您对算法的理解达到一个新高度。包含但不限于：经典算法，机器学习，深度学习，LeetCode 题解，Kaggle 实战。期待您的到来！ 01 — 回顾 近几天推送了以决策树为基础模型的，性能优秀，应用广泛的 XGBoost 集成算法。与之相似的，比 XGBoost 发明还早的 GBDT（梯度提升决策树），它们的共同点都是以决策树为基础模型，要想深刻的理解这两种重要的集成算法，如果能更好地理解决策树算法的实现，会有助于理解它们。 下面，我们用源码实现决策树的回归算法，提到决策树一般
打算部署kvm虚拟机环境，下面是虚拟化部署前的一些准备工作： 操作系统环境安装 1）修改内核模式为兼容内核启动 [root@ops ~]# uname -a Linux openstack 2.6.32-431.el6.x86_64 #1 SMP Fri Nov 22 03:15:09 UTC 2013 x86_64 x86_64 x86_64 GNU/Linux [root@ops ~]#vim /boot/grub/grub.conf ...... default=1 #由默认的0改为1，
在tensorflow的学习中，想使用tensorflow-gpu版的学习，充分利用计算机。但是跟网上很多博主的方法安装gpu，cuda是安装成功了，但是却一直报以下一个错误。
用惯了python，对其他语言就比较的生疏。但是python很多时候在性能上比较受局限，这里尝试通过C++来实现一个文件IO的功能，看看是否能够比python的表现更好一些。关于python的类似功能的实现，可以参考这一篇博客。
为帮助大家能在6月18日的比赛中有一个更好的成绩，我会将蓝桥杯官网上的历届决赛题目的四类语言题解都发出来。希望能对大家的成绩有所帮助。
TorchVision包包含流行的数据集、模型架构和用于计算机视觉的图像转换，它是PyTorch项目的一部分。TorchVison最新发布版本为v0.11.1，发布较频繁，它的license为BSD-3-Clause。它的源码位于： https://github.com/pytorch/vision
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
