一休

背景：加载pb格式模型文件并预测解决方法：要声明新的图和session并复用，# 加载 self.graph = tf.Graph() # 为每个类(实例)单独创建一个graphwith self.graph.as_default(): output_graph_def = tf.GraphDef() pb_path = wenlp_configs["sentence_matcher"]["pb_model_path"] with open(pb_path, .

张量，节点，命名理解在定义静态图的时候，a = tf.constant([1.0,2.0],name='x')b = tf.constant([1.0,2.0],name='y')c = tf.add(a,b,name='nmsl')print(c)<tensor>:nmsl:0,shape,dtype)可以看出，c是一个tensor类型，所以tensor其实代表一个数据流，说白了就是一个节点输出，其中每个tensor的名字为对应节点的名字加：0,0代表该节点的第一个

一、背景： 我们建立了10个CNN模型，然后我们又写了一个预测类Predict，这个类会从已经保存好的模型restore恢复相应的图结构以及模型参数。然后我们会创建10个Predict的对象Instance，每个Instance负责一个模型的预测。 再者，我们有个NLP服务，比如要加keras训练的句子分类，还有深度相似度模型。那么有两个模型同时在该进程里。这样会出错。类似于出现ValueError: Tensor Tensor("Pooler-Dense", shape=(...

一、背景Keras的易用，pytorch的直观，但是总避不开tensorflow毕竟谷狗大佬的，范围很广，从阿尔法狗由谷狗带火，AI热起来，但是tensorflow大部分人还是有点抗拒的，分析原因1.不符合程序员直觉（程序员的直觉是代码可以一行行的运行，每一行就会有结果）2.tensorflow借款众多，写个矩阵乘tf.multiply tf.matmul等等要区分二、解决方法1.理解tensorflow的思路俗话说，不能避开就接受它，那么就理解tensorflow的思路，就是.

一、背景tensorflow还是非常灵活的，但是有门槛的，门槛有两点api比较多，理解tensorflow的思维（先建立图，然后建立session,然后运算，pytorch是不用这样），这篇文章说说保存tensorflow保存的模型Tensorflow的保存分为四种：1. checkpoint模式； 2. saved_model模式（包含pb文件和variables）； 3. 纯pb模式；（只有一个pb文件） 4.keras的 h5 模式1. checkpoint模式# 一个

tensorflow 使用CPU和GPU,某度，某google一搜一大堆，排名靠前的都不一定对。如果你搜到我这篇，那么你肯定准确了。前提：你安装了cuda等GPU环境没有问题1 、使用CPU很多人会说，cpu啥都不用配置，直接用就是cpu,那是因为你没安装好GPU的cuda驱动，如果安装好了，默认tensorflow是使用CPU的而且，乱占用。import osos.environ["CUDA_VISIBLE_DEVICES"] = "" #这句关键import timeimpo