安科网

深度学习利器：TensorFlow系统架构及高性能程序设计

贝师东去

贝师东去

2017-04-24

关注 关注

2015年11月9日谷歌开源了人工智能平台TensorFlow，同时成为2015年最受关注的开源项目之一。经历了从v0.1到v0.12的12个版本迭代后，谷歌于2017年2月15日发布了TensorFlow 1.0 版本，并同时在美国加州山景城举办了首届TensorFlow Dev Summit会议。

TensorFlow 1.0及Dev Summit(2017)回顾

和以往版本相比，TensorFlow 1.0 的特性改进主要体现在以下几个方面：

  • 速度更快 ：TensorFlow 1.0版本采用了XLA的编译技术，改进了TensorFlow的运行性能及内存利用。从Benchmark问题的测试结果来看，对单机Inception v3模型，实现了在单机8 GPUs上7.3倍的运算加速;对分布式Inception v3模型，实现了在多机64 GPUs上58倍的运算加速。
  • 更加灵活 ：该版本除了支持tf.layers，tf.metrics及tf.losses模型的High-Level API外，实现了对keras(high-level neural networks library)API的全面兼容。
  • 更产品化 ：TensorFlow Python API在v1.0版本中趋于稳定，为产品兼容性打下坚实基础。

在TensorFlow 1.0版本发布的当天，谷歌公司还举办了TensorFlow 2017 DEV Summit。该 日程主要包括以下几个方面的主题演讲：

  • Hands-on TensorBoard可视化技术：介绍了如何使用TensorBoard，以及TensorFlow图模型、训练数据的可视化等。
  • TensorFlow High-Level API：介绍了使用Layers, Estimators, and Canned Estimators High-Level API定义训练模型。
  • Integrating Keras & TensorFlow: 介绍了如何在TensorFlow中使用Keras API进行模型定义及训练。
  • TensorFlow at DeepMind：介绍了在DeepMind中使用TensorFlow平台的典型案例，包括AlphaGo等应用。
  • Skin Cancer Image Classification：介绍了斯坦福医学院使用TensorFlow分类皮肤癌照片，用于医学诊断。
  • Mobile and Embedded TensorFlow：介绍了如何把TensorFlow模型运行在移动终端、嵌入式设备，包括安卓，iOS等系统。
  • Distributed TensorFlow：系统性地介绍了分布式TensorFlow的相关技术，以及如何应用于大规模模型训练。
  • TensorFlow Ecosystem：讲解了TensorFlow的生态系统，包括生成训练数据，分布式运行TensorFlow和serving models的产品化流程。
  • Serving Models in Production with TensorFlow Serving：系统性讲解了如何在生产环境中应用TensorFlow Serving模型。
  • ML Toolkit：介绍了TensorFlow的机器学习库，如线性回归，KMeans等算法模型的使用。
  • Sequence Models and the RNN API：介绍了如何构建高性能的sequence-to-sequence模型，以及相关API。
  • Wide & Deep Learning: 介绍了如何结合Wide模型和Deep模型构建综合训练模型。
  • Magenta，Music and Art Generation：使用增强型深度学习模型生成音乐声音和艺术图片。
  • Case Study，TensorFlow in Medicine – Retinal Imaging：使用TensorFlow机器学习平台对医学视网膜图片进行分类，辅助医学诊断。

TensorFlow系统架构

TensorFlow作为分布式机器学习平台，主要架构如下图所示。RPC和RDMA为网络层，主要负责传递神经网络算法参数。CPU和GPU为设备层，主要负责神经网络算法中具体的运算操作。Kernel为TensorFlow中算法操作的具体实现，如卷积操作，激活操作等。Distributed Master用于构建子图;切割子图为多个分片，不同的子图分片运行在不同的设备上;Master还负责分发子图分片到Executor/Work端。Executor/Work在设备(CPUs，GPUs，etc.)上，调度执行子图操作;并负责向其它Worker发送和接收图操作的运行结果。C API把TensorFlow分割为前端和后端，前端(Python/C++/Java Client)基于C API触发TensorFlow后端程序运行。Training libraries和Inference libs是模型训练和推导的库函数，为用户开发应用模型使用。

深度学习利器：TensorFlow系统架构及高性能程序设计

下图为Client、Master及Worker的内部工作原理。”/job:worker/task:0″ 和 “/job:ps/task:0” 表示worker中的执行服务。”job:ps”表示参数服务器，用于存储及更新模型参数。”job:worker”用于优化模型参数，并发参数发送到参数服务器上。Distributed Master和Worker Service只存在于分布式TensorFlow中。单机版本的TensorFlow实现了Local的Session，通过本地进程的内部通讯实现上述功能。

深度学习利器：TensorFlow系统架构及高性能程序设计

用户编写TensorFlow应用程序生成计算图，Client组件会创建Session，并通过序列化技术，发送图定义到Distributed Master组件。下图中，Client创建了一个 s+=w*x+b的图计算模型。

深度学习利器：TensorFlow系统架构及高性能程序设计

当Client触发Session运算的时候，Maser构建将要运行的子图。并根据设备情况，切割子图为多个分片。下面为Master构建的运行子图：

深度学习利器：TensorFlow系统架构及高性能程序设计

接着切割子图，把模型参数分组在参数服务器上，图计算操作分组在运算Worker上。下图为一种可行的图切割策略：

深度学习利器：TensorFlow系统架构及高性能程序设计

Distributed Master会根据模型参数的分区情况进行切割边，在Task间插入发送和接收Tensor信息的通信节点，如下图所示：

深度学习利器：TensorFlow系统架构及高性能程序设计

接着Distributed Master通过RegisterGraph方法发送子图分片给Task，如下图所示：

深度学习利器：TensorFlow系统架构及高性能程序设计

Master通过RunGraph触发子图运算，Worker会使用GPU/CPU运算设备执行TensorFlow Kernel运算。在本节点的CPU和GPU之间，使用cudaMemcpyAsync传输数据;在本节点GPU和GPU之间，使用peer-to-peer DMA传输数据，避免通过CPU复制数据。TensorFlow使用gRPC(TCP)和RDMA (Converged Ethernet)技术，实现Worker间的数据通信及传输，如下图所示：

深度学习利器：TensorFlow系统架构及高性能程序设计

高性能程序设计

TensorFlow内核采用C/C++开发，并提供了C++，Python，Java，Go语言的Client API。特别是Python API，是目前主流的TensorFlow模型开发接口。但为什么还需要采用C++ API去训练模型呢?本文基于如下 两点考虑 ，首先当我们采用Python API去训练模型的时候，需要不断地用Python API调用C/C++底层接口，重复的接口调用一定程度上影响了程序的执行性能。更为重要的是，在GPU上训练模型的时候需要大量的内存交换;如果采用C++ API去训练模型，可提供更好的运算性能及更好地控制GPU内存的分配。

下图为Python API的运算架构：在模型训练的每次迭代中，程序通过Python API读取Batch Data，然后通过TensorFlow Session Run接口，传递数据给C++，并触发神经网络训练。如下图所示：

深度学习利器：TensorFlow系统架构及高性能程序设计

下图为C++ API的运算架构：在模型训练的每次迭代中，通过C++ API读取Batch Data后，直接触发模型训练。减少了不同语言间API接口的循环调用及数据传输。如下图所示：

深度学习利器：TensorFlow系统架构及高性能程序设计

为了采用C++ API进行模型训练，我们首先需要编写训练模型，这个编写过程可以采用Python语言来完成。我们首先采用Python API编写训练模型，然后把图模型转换为Protobuf的序列化文件。接着通过C++ API加载该模型文件，创建TensorFlow Session，初始化模型变量，以及加载训练数据并执行神经网络训练。程序架构如下图所示：

深度学习利器：TensorFlow系统架构及高性能程序设计

下面为使用Python API定义训练模型的示例：

with tf.Session() as sess:

<ol class="dp-sql">
<li class="alt"><span><span>#定义Placeholder Tensor接入训练数据 </span></span></li>
<li><span>    x = tf.placeholder(tf.float32, [None, 32], <span class="keyword">name</span><span>=</span><span class="string">"x"</span><span>) </span></span></li>
<li class="alt"><span>    y = tf.placeholder(tf.float32, [None, 8], <span class="keyword">name</span><span>=</span><span class="string">"y"</span><span>) </span></span></li>
<li><span> </span></li>
<li class="alt"><span>    #定义训练模型 </span></li>
<li><span>    w1 = tf.Variable(tf.truncated_normal([32, 16], stddev=0.1)) </span></li>
<li class="alt"><span>    b1 = tf.Variable(tf.constant(0.0, shape=[16])) </span></li>
<li><span>    w2 = tf.Variable(tf.truncated_normal([16, 8], stddev=0.1)) </span></li>
<li class="alt"><span>    b2 = tf.Variable(tf.constant(0.0, shape=[8])) </span></li>
<li><span>    a = tf.nn.tanh(tf.nn.bias_add(tf.matmul(x, w1), b1)) </span></li>
<li class="alt"><span>    y_out = tf.nn.tanh(tf.nn.bias_add(tf.matmul(a, w2), b2), <span class="keyword">name</span><span>=</span><span class="string">"y_out"</span><span>) </span></span></li>
<li><span>    cost = tf.reduce_sum(tf.square(y-y_out), <span class="keyword">name</span><span>=</span><span class="string">"cost"</span><span>) </span></span></li>
<li class="alt"><span>    optimizer = tf.train.AdamOptimizer().minimize(cost, <span class="keyword">name</span><span>=</span><span class="string">"train"</span><span>) </span></span></li>
<li><span> </span></li>
<li class="alt"><span>    #定义变量初始化操作 </span></li>
<li><span>    init = tf.initialize_variables(tf.all_variables(), <span class="keyword">name</span><span>=</span><span class="string">'init_all_vars_op'</span><span>) </span></span></li>
<li class="alt"><span> </span></li>
<li><span>    #把图模型转换为Protobuf文件 </span></li>
<li class="alt"><span>tf.train.write_graph(sess.graph_def, <span class="string">'./'</span><span>, </span><span class="string">'mlp.pb'</span><span>, as_text=</span><span class="keyword">False</span><span>) </span></span></li>
</ol>

下面为使用C++ API加载Protobuf图模型，并执行训练的示例：

<ol class="dp-sql">
<li class="alt"><span><span>#include </span><span class="string">"tensorflow/core/public/session.h"</span><span> </span></span></li>
<li><span>#include <span class="string">"tensorflow/core/graph/default_device.h"</span><span> </span></span></li>
<li class="alt"><span>using namespace tensorflow; </span></li>
<li><span> </span></li>
<li class="alt"><span><span class="keyword">int</span><span> main(</span><span class="keyword">int</span><span> argc, </span><span class="keyword">char</span><span>* argv[]) { </span></span></li>
<li><span>    //Protobuf模型文件名 </span></li>
<li class="alt"><span>    std::string graph_definition = <span class="string">"mlp.pb"</span><span>; </span></span></li>
<li><span>    //Tensorflow Sesssion </span></li>
<li class="alt"><span>    Session* session; </span></li>
<li><span> </span></li>
<li class="alt"><span>    //定义图模型对象 </span></li>
<li><span>    GraphDef graph_def; </span></li>
<li class="alt"><span>    SessionOptions opts; </span></li>
<li><span> </span></li>
<li class="alt"><span>    //存储Session会话的运行结果 </span></li>
<li><span>    std::vector<Tensor> outputs;  </span></li>
<li class="alt"><span> </span></li>
<li><span>    #加载Protobuf模型文件到图模型对象中 </span></li>
<li class="alt"><span>    TF_CHECK_OK(ReadBinaryProto(Env::<span class="keyword">Default</span><span>(), graph_definition, &graph_def)); </span></span></li>
<li><span> </span></li>
<li class="alt"><span>    // 默认在gpu 0上执行模型的训练操作 </span></li>
<li><span>    graph::SetDefaultDevice(<span class="string">"/gpu:0"</span><span>, &graph_def); </span></span></li>
<li class="alt"><span> </span></li>
<li><span>    //设定GPU显存使用参数 </span></li>
<li class="alt"><span>    opts.config.mutable_gpu_options()->set_per_process_gpu_memory_fraction(0.5); </span></li>
<li><span>    opts.config.mutable_gpu_options()->set_allow_growth(<span class="keyword">true</span><span>); </span></span></li>
<li class="alt"><span> </span></li>
<li><span>    //创建TensorFlow会话 </span></li>
<li class="alt"><span>    TF_CHECK_OK(NewSession(opts, &session)); </span></li>
<li><span> </span></li>
<li class="alt"><span>    // 加载图对象到会话中 </span></li>
<li><span>    TF_CHECK_OK(session-><span class="keyword">Create</span><span>(graph_def)); </span></span></li>
<li class="alt"><span> </span></li>
<li><span>    // 执行模型参数初始化操作 </span></li>
<li class="alt"><span>    TF_CHECK_OK(session->Run({}, {}, {<span class="string">"init_all_vars_op"</span><span>}, nullptr)); </span></span></li>
<li><span> </span></li>
<li class="alt"><span>    //定义模型输入数据，包括数据类型和维度信息 </span></li>
<li><span>    Tensor x(DT_FLOAT, TensorShape({100, 32})); </span></li>
<li class="alt"><span>    Tensor y(DT_FLOAT, TensorShape({100, 8})); </span></li>
<li><span> </span></li>
<li class="alt"><span>    //把Tensor转换为矩阵，并初始化Tensor数据 </span></li>
<li><span>    auto _XTensor = x.matrix<<span class="keyword">float</span><span>>(); </span></span></li>
<li class="alt"><span>    auto _YTensor = y.matrix<<span class="keyword">float</span><span>>(); </span></span></li>
<li><span>    _XTensor.setRandom(); </span></li>
<li class="alt"><span>    _YTensor.setRandom(); </span></li>
<li><span> </span></li>
<li class="alt"><span>    <span class="keyword">for</span><span> (</span><span class="keyword">int</span><span> i = 0; i < 10; ++i) { </span></span></li>
<li><span>        //执行模型的训练操作，{{<span class="string">"x"</span><span>, x}, {</span><span class="string">"y"</span><span>, y}}表示输入数据Tensor名称和Tensor对象；{</span><span class="string">"cost"</span><span>}表示要获取输出值的操作名称；&outputs表示执行</span><span class="string">"cost"</span><span>操作后返回的Tensor对象 </span></span></li>
<li class="alt"><span>        TF_CHECK_OK(session->Run({{<span class="string">"x"</span><span>, x}, {</span><span class="string">"y"</span><span>, y}}, {</span><span class="string">"cost"</span><span>}, {}, &outputs));  </span></span></li>
<li><span> </span></li>
<li class="alt"><span>        //获取执行“cost“操作后的运算结果 </span></li>
<li><span>        <span class="keyword">float</span><span> cost = outputs[0].scalar<</span><span class="keyword">float</span><span>>()(0); </span></span></li>
<li class="alt"><span>        std::cout << <span class="string">"Cost: "</span><span> << cost << std::endl; </span></span></li>
<li><span> </span></li>
<li class="alt"><span>        //执行<span class="string">"train"</span><span>操作 </span></span></li>
<li><span>        TF_CHECK_OK(session->Run({{<span class="string">"x"</span><span>, x}, {</span><span class="string">"y"</span><span>, y}}, {}, {</span><span class="string">"train"</span><span>}, nullptr)); // Train </span></span></li>
<li class="alt"><span>        outputs.clear(); </span></li>
<li><span>    } </span></li>
<li class="alt"><span> </span></li>
<li><span>    //关闭Session及删除Session对象 </span></li>
<li class="alt"><span>    session-><span class="keyword">Close</span><span>(); </span></span></li>
<li><span>    <span class="keyword">delete</span><span> session; </span></span></li>
<li class="alt"><span>    <span class="keyword">return</span><span> 0; </span></span></li>
<li><span>} </span></li>
</ol>

当C++程序写好后，编译时候需要链接的头文件，开源已经帮我们整理好了，存放于目录/usr/lib/python2.7/site-packages/tensorflow/include下。编译和运行的时候需要链接libtensorflow_cc.so，可以按照下面的方式编译该库文件：bazel build -c opt //tensorflow:libtensorflow_cc.so –copt=-m64 –linkopt=-m64 –spawn_strategy=standalone –genrule_strategy=standalone –verbose_failures。具体可参考TensorFlow源代码的官方编译文档。

总结

本文首先回顾了TensorFlow 1.0主要新特性及TensorFlow 2017 Dev Summit的主要议程。到目前为止TensorFlow的GitHub Star排名为51000+， Fork排名已达24000+，有15000+ commits。并随着TensorFlow新版本的不断发布以及新特性的不断增加，TensorFlow使用更加灵活，运行速度更快，使用方式更产品化，已成为目前主流的深度学习平台之一。

接着介绍了TensorFlow的系统架构，包括Client，Master，Worker，Kernel的相关概念及运行方式，是一种适合大规模分布式训练的机器学习平台。从上述系统架构中可以看到，TensorFlow内核采用C/C++开发，当采用Python API去训练模型的时候，需要不断地用Python调用C/C++底层接口，重复的接口调用一定程度上影响了程序的执行性能。如果有最求高性能运算的朋友，可以尝试用下本文高性能运算章节推荐的方法。

参考文献

  1. http://www.tensorflow.org
  2. 深度学习利器：分布式TensorFlow及实例分析
  3. 深度学习利器：TensorFlow使用实战

机器学习 tensorflow 深度学习 api

贝师东去

贝师东去

0 关注 0 粉丝 0 动态

关注 关注

相关推荐

TensorFlow为新旧Mac特供新版本，速度最高提升7倍

苹果「一呼百应」的号召力在机器学习领域似乎也不例外。新版 Mac 推出还不到两周，谷歌就把专为 Mac 优化的 TensorFlow 版本做好了，训练速度最高提升到原来的 7 倍。对于开发者、工程师、科研工作者来说，Mac 一直是非常受欢迎的平台，也有人用

Micusd 2020-11-19

微软和谷歌分别开源分布式深度学习框架，各自厉害在哪？

微软和谷歌一直在积极研究用于训练深度神经网络的新框架，并且在最近将各自的成果开源——微软的PipeDream和谷歌的GPipe。原则上看，他们都遵循了类似的原则来训练深度学习模型。这两个项目已在各自的研究论文中进行了详细介绍，这篇文章将对此进行总结。对于初

深圳克林斯曼 2020-11-09

自动驾驶汽车深度学习如何应对挑战?

在自动驾驶汽车中使用深度学习可以帮助克服各种挑战，例如了解行人的行为，找到最短的路线以及对人和物体进行准确检测。根据一份报告，2018年约有80%的道路交通事故是由于人为错误造成的。因此，将自动驾驶汽车纳入主流的主要目标之一是消除对人类驾驶员的需求并减少道

86377811 2020-11-06

不要上手就学深度学习！超详细的人工智能专家路线图，GitHub数天获2.1k星

反过头来看，这些方法可能作用并不是很大，却消耗了大量的时间和金钱。如果你想成为数据科学家、机器学习或者 AI 专家，而又苦于找不到合适的学习方法，本文将提供一组思路清晰、简单易懂的人工智能专家路线图。这是一家德国软件公司 AMAI GmbH 近期发布的 G

Niteowl 2020-11-05

DJL 如何正确打开 [ 深度学习 ]

本文转载自微信公众号「小明菜市场」，作者小明菜市场。很长时间，Java都是一个相当受欢迎的企业编程语言，其框架丰富，生态完善。为了减少Java开发者学习深度学习的成本，AWS构建了一个Deep Java Library，一个为Java开发者定制的开源深度

ohbxiaoxin 2020-11-04

揭开AI、机器学习和深度学习的神秘面纱

深度学习、机器学习、人工智能——这些流行词皆代表了分析学的未来。在这篇文章中，我们将通过一些真实世界的案例来解释什么是机器学习和深度学习。这样做的目的不是要把你变成一个数据科学家，而是让你更好地理解你可以用机器学习做什么。开发人员能越来越容易地使用机器学习

bigquant 2020-11-03

用 Java 训练深度学习模型，原来可以这么简单！

HelloGitHub 推出的《讲解开源项目》系列。这一期是由亚马逊工程师：Keerthan Vasist，为我们讲解 DJL系列的第 4 篇。很长时间以来，Java 都是一个很受企业欢迎的编程语言。得益于丰富的生态以及完善维护的包和框架，Java 拥有着

PandaJiong 2020-11-02

面向深度学习的五大神经网络模型及其应用

深度学习是机器学习的重要组成部分，深度学习算法基于神经网络。有几种功能不同的神经网络架构，最适合特定的应用场景。本文介绍一些最知名的架构，尤其是深度学习方面的架构。MLP使用一种称为反向传播的监督式学习技术进行训练。反向传播有助于调整神经元权重，以获得更接

fengzhimohan 2020-11-02

如何通过7个步骤构建机器学习模型

组织构建一个可行的、可靠的、敏捷的机器学习模型来简化操作和支持其业务计划需要耐心、准备以及毅力。部署和管理机器学习项目通常遵循相同的模式。对于许多组织来说，机器学习模型开发是一项新活动，但是在某种程度上已经建立了以数据为中心的项目构建方法。此外，这种方法由

人工智能 2020-11-19

机器学习新风暴：如何用ML模型预测房价？

从驾驶汽车到识别语音+翻译，机器学习通过软件预测变幻莫测的现实世界，正在人工智能领域掀起一场风暴。机器学习是教计算机系统使用反馈的旧数据进行预测的过程，基本上是训练计算机根据过去的数据预测未来的数据。机器学习大致分为两大类：监督学习和无监督学习。对此可以使

81510295 2020-11-17

关于机器学习管道需要了解什么?

企业高管经常将机器学习模型的黑盒性质视为一种神秘技术，他们通常认为，IT主管能够有效调动流程，并使模型表现良好。现实情况是，了解机器学习流程的基础知识可以使其流程和步骤变得不再神秘，而IT团队可以更好地管理对当今竞争激烈的商业环境至关重要的机器学习技术。机

jaybeat 2020-11-17

为什么所有的机器学习模型有90％从没有投入生产

公司不仅可以向数据科学家和机器学习工程师投入资金，还希望魔法能够实现。根据VentureBeat的报告，大约90%的机器学习模型从未投入生产。尽管十分之九的技术主管认为AI将成为下一次技术革命的核心，但AI的采用和部署仍具有增长的空间。为了帮助数据科学家发

flyfor0 2020-11-16

LinkedIn开源Dagli，发布Java机器学习函数库

近年来，越来越多的优秀的机器学习工具不断涌现，如 TensorFlow、 PyTorch、 Caffee 和 CNTK、用于大规模数据的 Spark 和 Kubeflow，以及用于各种通用模型的 scikit-learn、 ML.NET 和最近的 Trip

lgblove 2020-11-16

关于机器学习算法的16个技巧

您可能听说过瑞士军刀。如果没有，请看下面的图片。它包含许多刀片和工具。每个人都专门从事一项特定的任务。在某些情况下，不同的刀片可以完成相同的任务，但性能不同。我将机器学习算法视为瑞士军刀。性能可能会根据任务和数据的特征而变化。例如，对数损失是与所有分类算法

Pokemogo 2020-11-16

全面解读谷歌云人工智能如何为机器学习提供帮助

谷歌公司拥有行业规模最大的机器学习堆栈之一，目前以其Google Cloud AI和机器学习平台为中心。谷歌公司在数年前就开源了TensorFlow，但TensorFlow仍然是一个最成熟的、并且广泛引用的深度学习框架。同样，谷歌公司几年前将Kubern

Pokemogo 2020-11-16

关于感知器的故事：机器学习是如何发展到如今这一程度的呢？

人工智能如今已成为大街小巷的热议话题。企业为了吸引客户和目标用户，在生产产品、提供方案时总会使用机器学习、深度学习等花哨的词汇。但实际上，这些词汇绝不仅是“噱头”而已。科技大厂了解科技发展的主流趋势，且无法承担技术落后的风险，所以他们都已适应了此次计算机革

clong 2020-11-13

需要知识的后深度学习时代，如何高效自动构建知识图谱

前沿的知识图谱自动构建技术有哪些？这篇文章将逐一解答这些问题。二者展示的信息量是差不多的，但右边这种看起来更加直观。而且，随着文本篇幅的增长，这种优势会体现得更加明显。其中，图的节点代表现实世界中存在的“实体”，图的边则代表实体之间的“关系”。基于知识图谱

lizhengjava 2020-11-13

10个丰富自我的机器学习项目

机器学习项目有很大的发展潜力，最近大火的韩剧也出现了这个词语并且用很浪漫的说法解释了它。毕竟招聘者一般通过你拥有的技能来判断你的潜力。此外，确保所有数据集都呈现开放状态允许自由访问。很多机器学习课程将这个数据运用于教学目的，它可以预测人类的活动类别，这是一

ohbxiaoxin 2020-11-13

机器学习如何颠覆金融行业

在过去的十年中，金融行业采用了很多前所未有的尖端技术。金融科技初创厂商是智能手机、大数据、机器学习、区块链等新技术的早期采用者，被认为是被更传统的银行和金融机构所效仿的潮流引领者。机器学习和深度学习的最新进展确实推动了计算机视觉和自然语言处理的界限。Sta

Icevivian 2020-11-13

24个提高知识和技能极限的机器学习项目

数据科学项目为你提供了一种有前途的方式来启动你在该领域的职业。你不仅可以通过应用它来学习数据科学，还可以在自己的简历上展示一些项目！这是大多数人挣扎和错过的地方。另外，我们确保所有数据集都是开放的并且可以自由访问。它由中型和大型数据集组成，需要一些认真的模

EchoYY 2020-11-12
贝师东去

贝师东去

W3CSchool教程
HTML 教程
CSS 教程
Bootstrap 教程
Javascript 教程
jQuery 教程
后端教程
C 教程
Java 教程
PHP 教程
Python 教程
Go 教程
移动开发
Android 教程
Swift 教程
Kotlin 教程
jQuery Mobile 教程
ionic 教程
关于我们
新闻动态
联系方式
招聘英才
安科实验室
帮助与反馈

安科网(Ancii)，中国第一极客网

Copyright © 2013 - 2019 Ancii.com

京ICP备18063983号 京公网安备11010802014868号