小编Ger*_*app的帖子

所以现在有一个很大的更新，从 TensorFlow 1.X 到 2.X。

在 TF 1.XI 中习惯了一个管道，它帮助我将我的 keras 模型推向生产。管道：keras (h5) model --> freeze & convert to pb --> optimize pb 此工作流程帮助我加快推理速度，我的最终模型可以存储在单个 (pb) 文件中，而不是文件夹（请参阅 SavedModel 格式）。

如何在 TensorFlow 2.0.0 中优化我的推理模型？

我的第一印象是我需要将我的 tf.keras 模型转换为 tflite，但是由于我的 GPU 使用 float32 操作，这种转换会让我的生活更加艰难。

谢谢。

:)

我是关于在使用ReLU的神经网络上进行反向传播.在我之前的一个项目中,我是在一个使用Sigmoid激活函数的网络上完成的,但现在我有点困惑,因为ReLU没有衍生物.

这是关于weight5如何影响总误差的图像.在这个例子中,如果我使用sigmoid函数,out/net = a*(1 - a).

我应该写什么而不是"a*(1-a)"来使反向传播工作？

谢谢.

我想问一个关于基于DNN的对象检测算法的一般问题,例如Yolo,SSD或R-CNN.

假设我想在小图像上检测手机,那么 - 因此 - 移动设备本身就非常小,而且,通过仅查看它们出现的那些像素来检测它们几乎是不可能的.例如,看一个300x300的图像,手机显示在一个7x5的网格上,所以只有通过查看7x5图片,没有人能确定在那里可以看到什么.

另一方面,如果我们在图片上看到一辆地铁车,一个人手里拿着黑色的东西,我们(人类)几乎可以肯定小黑色7x5网格代表移动设备.

我的理解是正确的,当前最先进的DNN算法不能像人类一样捕获环境,但它们只能通过图像上的物理外观来检测物体？如果没有,你能否建议一种算法不一定只在黑色像素组上学习,但是能够捕捉到一个人手里拿着黑色的东西很可能是手机？

谢谢.