《tensorflow》专题
-
如何确定（在运行时）TensorFlow Lite是否使用GPU？
在使用TensorFlow Lite库时，有没有办法确保或至少在运行时确定使用了正确的加速器（CPU、GPU）？ 尽管我已经按照指南设置了对象在具有GPU（Samsung S9）的设备上使用GPU委托，但在某些情况下很可能使用CPU。例如，如果您使用带有默认委托选项对象的量化模型，它将默认使用CPU，因为设置为false。我几乎可以肯定，即使传递给解释器的选项对象有，但还是使用了CPU。不幸的是，
-
带有NNAPI委托的tensorflow lite的多个实例
Tensorflow lite中的NNAPI委托使用共享内存作为图的输入和输出张量。但是共享内存池的名称是硬编码的（and）： 现在，如果使用NNAPI委托执行tensorflow lite的多个实例，会发生什么？根据我的理解，因为他们都将映射并使用相同的共享内存池。这不会导致比赛状态吗？
-
如何在CPU上运行Tensorflow
我已经在Ubuntu 14.04上安装了tensorflow的GPU版本。 我在一个GPU服务器上，在那里Tenorflow可以访问可用的GPU。 我想在CPU上运行tenorflow。 通常我可以使用env CUDA\u VISIBLE\u DEVICES=0在0号GPU上运行。 如何在CPU之间进行选择？ 我对用tf重写代码不感兴趣。设备（“/cpu:0”）：
-
如何在tensorflow中获得当前可用的GPU？
我有一个使用分布式TensorFlow的计划，我看到TensorFlow可以使用GPU进行训练和测试。在集群环境中，每台机器可以有0个或1个或多个GPU，我想在尽可能多的机器上将我的TensorFlow图运行到GPU中。 我发现在运行TensorFlow在日志消息中提供有关GPU的信息，如下所示： 我的问题是如何从TensorFlow获取当前可用GPU的信息？我可以从日志中获取加载的GPU信息，但
-
TensorFlow Lite在非Android/非iOS ARM64平台上？
有人在非Android/非iOS ARM64平台上构建TensorFlow Lite吗？tensorflow。org只讨论了Android或iOS上的lite/mobile版本，但似乎lite版本适用于更广泛的嵌入式领域，可以在任何64位处理器上使用。我特别希望ARM 64支持普通linux平台。
-
Tensorflow XLA和Tensorflow Lite/Android NNAPI之间有什么区别？
Tensorflow推出了XLA编译器，该编译器编译面向LLVM的后端C Tensorflow。我对XLA的理解是，只要有LLVM，它就是朝着支持通用加速设备迈出的一步- Tensorflow lite是最近发布的，取代了Tensorflow Mobile，似乎是工作重点针对嵌入式和移动设备的地方，显然重点关注嵌入式DSP和GPU作为这些环境中常见的可选处理器。Tensorflow lite似乎将
-
向tensorflow lite添加BATCH\u TO_SPACE\u ND和SPACE\u TO_BATCH\u ND
NNAPI 1.1已经支持SPACE_TO_BATCH_ND和BATCH_TO_SPACE_ND操作，但是当前的TFLite代码还没有实现。参见：https://github.com/tensorflow/tensorflow/blob/master/tensorflow/lite/nnapi_delegate.cc#L607 我试着这样添加它们： 但它不起作用，当我在android设备上运行它时
-
tensorflow lite如何使用双三次曲线？
我正在为Android使用Tensorflow lite，官方Python代码在使用TF.lite之前使用以下代码。解释器，但此代码使用TensorFlow模块，该模块在Android Java中不可用。TensorFlow Lite应该如何实现双三次调整大小方法？ 官方Python代码使用model.tflite，我在Android TensorFlow Lite中只找到了这两个方法，没有双三次
-
Tensorflow Lite GPU分析
有没有办法了解tflite使用GPU的情况，以及它与谁竞争GPU资源？ 我有一个在android上使用tflite和GPU委托的应用程序。 它有时可以以15帧/秒的速度处理图像，有时可以以3帧/秒的速度处理图像，而无需对应用程序进行任何更改。 我想了解是什么导致它在这两种速度之间切换。我怀疑这与其他应用程序有关，比如同时使用GPU的摄像头。 有什么工具可以帮助我了解我的应用程序是否真的有效地使用了
-
在TF2中将Keras RNN模型转换为TensorFlow Lite模型
我目前正在尝试将RNN模型转换为TF lite。在多次尝试失败后，我尝试运行此处存储库中给出的示例。由于层定义位置的变化，这也引发了错误。一旦修复了下面的代码 我继续出错 在使用tf.compat.v1.disable\u eager\u execution（）禁用渴望执行后，我得到了错误 有人有在TensorFlow 2.0中将RNN（LSTM、GRU、CustomRNN）转换为TFLite的工
-
用于可变大小输入的Tensorflow Lite
我有一个很像tensorflow语音命令演示的模型，只是它需要一个大小可变的1D数组作为输入。现在，我发现很难使用tflite\u convert将此模型转换为tflite，因为tflite\u convert需要输入形状。 据说tf lite需要固定大小的输入以提高效率，您可以在推理过程中调整输入大小，作为模型的一部分。然而，我认为这将涉及截断我不想要的输入。有什么方法可以让TF lite发挥作
-
Tensorflow Lite Android对象检测——移动SSD模型预计有4个输出，发现8个
遇到的问题： E/AndroidRuntime：致命异常：主进程：org.tensorflow.lite.examples。检测，PID:14719 java.lang.AssertionError:ObjectDetector初始化时出错：移动SSD模型预计正好有4个输出，发现8个 问题描述 Android应用程序来源：TensorFlow Lite物体检测示例，来自谷歌 模型说明 > 是否使用
-
为什么TensorFlow Lite在桌面上比TensorFlow慢？
我目前正在研究单图像超分辨率，我设法冻结了一个现有的检查点文件，并将其转换为tensorflow lite。然而，当使用.tflite文件执行推断时，对一个图像进行上采样所需的时间至少是使用.ckpt文件恢复模型时的4倍。 使用. ckpt文件的推理使用session.run（）完成，而使用. tflite文件的推理使用interpreter.invoke（）完成。这两个操作都是在典型PC上运行的
-
如何修复：AndroidTensorFlow Lite推理比标准TensorFlow推理慢得多
我用TensorFlow和Keras开发并训练了一个卷积神经网络。现在，我想把这个模型部署到Android设备上，在那里我需要它来实现实时应用。 我找到了两种将Keras模型部署到Android的方法： 将图形冻结为.pb文件（例如“model.pb”），然后在Android设备上使用“TensorFlowInferenceInterface” 将冻结的图形转换为.tflite模型（例如“mode
-
在android mobile上，Tensorflow lite的GPU代理、napi性能几乎相同
我使用以下代码更改手机上的委托（G3226） 但性能几乎相同，不确定会发生什么。 > 电话G3226 TFLite版本 实现'org.tensorflow： tenorflow lite： 0.0.0-夜间'实现'org.tensorflow： tenorflow lite-gpu： 0.0.0-夜间'实现'org.tensorflow： tenorflow lite-support： 0.0.0