算法框架/工具

首页 标签 算法框架/工具
# 算法框架/工具 #
关注
10794内容
2019人工智能项目书籍汇总下载
python测试开发项目实战-目录 python工具书籍下载-持续更新 下面书籍下载地址 https://china-testing.github.io/ai_project_books.html 书籍:python人工智能项目 Intelligent Projects Using Pyth.
新工具——TensorLayer:管理深度学习项目的复杂性
本文介绍了一种新基于TensorFlow的python库——TensorLayer,它能够有效的帮助开发者管理好自己的深度学习网络。并且它还提供了很多功能强悍的API,帮助开发者更好的完成任务。
阿里NIPS 2017论文解读:如何降低TensorFlow训练的显存消耗?
被誉为国际顶级的机器学习和神经网络学术会议NIPS 2017于12月4日-9日在美国加州长滩市举行。在本届会议上,阿里巴巴除有两篇论文入选Workshop并进行Oral和Poster形式报告外,三大技术事业部连续3天在阿里展区举行多场技术研讨会,向5000余名参会人员介绍阿里在机器学习、人工智能领域的技术研究、产品与落地应用。
| |
来自: 云原生
在阿里云Kubernetes容器服务上打造TensorFlow实验室
利用Jupyter开发TensorFLow也是许多数据科学家的首选,但是如何能够快速从零搭建一套这样的环境,并且配置GPU的使用,同时支持最新的TensorFLow版本, 对于数据科学家来说既是复杂的,同时也是浪费精力的。
安装NVIDIA docker plugin
摘要: GPU云主机集成CUDA & NVIDIA DOCKER镜像方案 摘要一、预安装前置条件1、系统和内核版本支持2、 CUDA的GPU支持二、NVIDIA驱动环境安装 1、安装CUDA Toolkit 2、设置cuda环境变量3、安装 docker-18.
| |
来自: 云原生
GPU资源的监控和报警,支撑高效深度学习的利器
本文将介绍如何利用阿里云容器服务的机器学习解决方案在几分钟内轻松设置GPU资源使用率,显存使用率和温度的报警机制,达到对于一些GPU潜在问题的先知先觉,避免不必要损失的目的。
| |
来自: 云原生
像Google一样构建机器学习系统2 - 开发你的机器学习工作流
按照上篇文章搭建了一套Kubeflow Pipelines之后,我们一起小试牛刀,用一个真实的案例,学习如何开发一套基于Kubeflow Pipelines的机器学习工作流。 准备工作 机器学习工作流是一个任务驱动的流程,同时也是数据驱动的流程,这里涉及到数据的导入和准备,模型训练Checkpoint的导出评估,到最终模型的导出。
| |
来自: 云原生
阿里云超算:高性能容器方案实战之Singularity
除了自动化整合IaaS层硬件资源为用户提供云上HPC集群外,E-HPC还致力于巩固云上HPC服务的高可用性,先后推出了“集谛多维性能监控”、“低成本断点续算”等新特性,帮助用户更好、更省地使用云上HPC服务。本文主要介绍阿里云超算推出的弹性高性能容器方案以及在分子动力学领域和AI领域的实战案例。
免费试用