读书笔记TF067:TensorFlow Serving、Flod、计算加速,机器上评测系统,公开数量集。学习笔记TF067:TensorFlow Serving、Flod、计算加速,机器上评测系统,公开数据集,tf067tensorflow

TensorFlow Serving https://tensorflow.github.io/serving/ 。

修笔记TF067:TensorFlow Serving、Flod、计算加速,机器上评测系统,公开数据集,tf067tensorflow

TensorFlow Serving https://tensorflow.github.io/serving/ 。

生产环境灵活、高性能机器上型服务系统。适合因实际数据大运行,产生多独模型训练过程。可用以支付环境、生产条件。

型生命周期管理。模型先数据训练,逐步来初步模型,优化模型。模型多重算法试验,生成模型管理。客户端(Client)向TensorFlow
Severing请求模型,TensorFlow Severing返回适当模型给客户端。TensorFlow
Serving、gRPC(谷歌公司从头源高性能、跨语言RPC框架),提供跨语言RPC接口,不同编程语言都足以拜模型。

TensorFlow Serving代码 https://hithub.com/tensorflow/serving
。源代码Bazel编译安装
https://github.com/tensorflow/serving/blob/master/tensorflow\_serving/g3doc/setup.md
,Docker安装。https://www.tensorflow.org/serving/setup 。结合TensorFlow
Serving,训练好模型,创建Docker镜像,推送至Google Container Registry
https://cloud.google.com/container-registry/docs/
。模型在谷歌云平台(Google Cloud
Platform)运行。Kubernetes成功安排模型服务。Serving Inception Model with
TensorFlow Serving and Kubernetes
https://tensorflow.github.ic/serving/serving\_inception 。Google ML
Engine,全托管TensorFlow平台,训练模型一键转换预测服务。

TensorFlow Flod https://github.com/tensorflow/fold ,《Deep Learning
with Dynamic Computation Graphs》https://openreview.net/pdf?id=ryrGawqex
。深度上过程,模型训练多少预处理,不同结构数据剪裁成相同维度、尺寸,划分成批,进入训练流程。静态图模型,缺点,输入数据无法一般先处理,模型针对不同输入数据建立不同计算图(computation
graph)分别训练,没有充分利用处理器、内存、高速缓存。
TensorFlow
Fold(现在还发了Eager模式,可以比上),根据不同结构输入数据建立动态计算图(dynamic
computation),根据每个不同输入数据建立不同计算图。动态批处理(dynamic
batching)自动组合计算图,实现输入数据之中批处理,批处理单个输入图内不同节点,不同输入数据里批处理,批处理不同输入图间运算。可插入附加指令以不同批处理操作间移动多少。简化模型训练阶段输入数据预处理过程。CPU模型运行速度提高10加倍以上,GPU提高100倍。

TensorFlow计算加速。GPU设备,XLA
框架融合OP,分布式计算、参数有分布及不同机器,硬件计算,CPU更尖端命令集SSE、AVX,FPGA编写支持TensorFlow计算单元。
CPU加速。pip命令安装,与重常见机器兼容,TensorFlow默认仅以x86机器使用SSE4.1
SIMD指令。源代码安装可获取最深性,开启CPU高级指令集支持。bazel
构建只能以温馨机器运行二进制文件。

bazel build -c opt –copt=-mavx –copt=-mavx2 –copt=-mfma
–copt=-mfpmath=both –copt=-msse4.2 –copt=-cuda -k
//tensorflow/tools/pip_package:build_pip_package
bazel-bin/tensorflow/tools/pip_package/build_pip_package
/tmp/tensorflow_pkg

在/tmp/tensorflow_pkg产生whell文件,再就此pip命令安装wheel文件。

TPU 加速、FPGA加速。
谷歌TensorFlow设计专用集成芯片-张量处理单元(Tensor Processing
Unit,TPU)。CPU逻辑运算(if
else)能力十分强,计算能力较GPU差,深度上要海量计算。GPU有无往不胜浮点计算单元,GPU着色器(shader)对相同批数量以相同步调执行同样指令流水。GPU同一时钟周期执行令数量千级,3000条。CPU同一时钟周期执行命令数据几十层。数据交互能力颇为超CPU。GPU逻辑运算能力不等,流水线并行能力(同一时钟周期起执行不一逻辑序列能力)差,需要批数量并调整执行同样逻辑。神经网络需要大规模数据交互能力,CNN卷积、矩阵运算操作,通过数量交互大幅提高性能。
GPU出厂后搭固定,硬件原生支持指令固定。如神经网络有GPU不支持指令,无法直接硬件实现,只能软件模拟。FPGA加速,开发者在FPGA里编程,改变FPGA硬件结构。FPGA体系布局不同,不是冯·诺伊曼结构,是代码描述逻辑电路。只要片及逻辑门、引脚够多,全部输入、运算、输出都以一个时钟周期内就。FPGA一个钟周期执行同样不好全烧好电路,一个模块就同样词超复杂“指令”,不同模块不同逻辑序列,序列里虽一样条指令。不同运算单元硬件直连,数据交互、流水线并行共存(GPU流水线并行能力约0),浮点运算能力不使GPU。适合低顺延预测推理,每批大小比较小。
TPU,专用集成电路(application specific integrated
circuit,ASIC),硬件逻辑一旦烧写不可再编程,专门为TensorFlow做深上开发。TPU目前版不可知圆运作TensorFlow功能,高效预测推理,不干训练。

机上评测系统。

人脸识别性能指标。
识假性能,是否鉴别准确。Top-K识别率,给起前K个结果包含对结果概率。错误拒绝辨识率(FNIR),注册用户为系统错误辩识为外注册用户比例。错误受辩识率(FPIR),非注册用户被网识别为某注册用户比例。
证性能,验证人脸模型是否足够好。误识率(False Accept
Rate,FAR),将其他人误作指定人员概率。拒识率(False Reject
Rate,FRR),将指定人员误作其他人员概率。识别速度,识别一符合人脸图像时、识别一个丁岁月。注册速度,注册一个总人口时。

闲聊机器人性能指标。
回应正确率、任务完成率、对话回合数、对话时、系统平均响应时间、错误信息率。评价为主单元,单轮对话。人机对话进程,连续经过。http://sanwen.net/a/hkhptbo.html
《中国人工智能学会报道》2016年第6窝第1企。聊天机器人,机器人答句和用户问句应该语义一致,语法正确,逻辑是。机器人答句以有趣、多样,不是一直有安全应对。机器人应该个性表达相同,年龄、身份、出生地基本背景音、爱好、语言风险应该同等,能设想变为一个超人人。

机器翻译评价方式。
BLEU(bilingual evaluation
understudy)方法,2002年,IBM沃森研究中心提出。机器翻译语句与人类专业翻译语句越接近越好。下人工评价高度相关。正确句子作参考译文(reference)、正确句子(golden
sentence),测试句子作候选译文(candidate)。适用测试语料具有多独参考译文。比较参考译文与候选译文相同片段数量,参考译文连续出现N元组(N个单词或字)与候选译文N元组比较,n单位有的(n-gram)比较。计算了配合N元组个数与参考译文N元组总个数比例。与位置无关。匹配片段数越多,候选译文质量更好。
METEOR,不仅要求候选译文在合句子上,在句子分段级别达,都要同参考译文更仿佛。https://en.wikipedia.org/wiki/METEOR\#Algorithm
。在需要评字符串与参考文符串间创造平面图。待评翻每个一元组必须映射到参考翻译1个或0个一元组。选择映射交叉数据比少的。

常用通用评价指标。
准确率、召回率、F值、ROC、AUC、AP、mAP。
ROC(Receiver Operating Characteristic,受试者工作特点曲线)、AUC(Area
Under roc Curve,曲线下面积),评价分类器指标。ROC曲线横坐标FPR(False
positive rate),纵为标TPR(True positive
rate)。ROC曲线越接近左上角,分类器性能更加好。AUC,ROC曲线下点积大小。ROC曲线处于y=x直线上,AUC值介于0.5~1.0。AUC值更怪表示性能更加好。专门AUC计算工具
http://mark.goadrich.com/programs/AUC/ 。
AP(average precision,平均准确性)、mAP(mean average
precision,平均准确性平均)。计算机视觉,分类问题,AP模型分类能力根本指标。只用P(precision
rate, 准确率)和R(recall
rate,召回率)评价,组成PR曲线趋势召回率越强准确率越低。AP曲线下面积,等于对召回率做积分。mAP对富有项目取平均,每个接近作同样软第二分拣任务。图像分类论文基本用mAP标准。

当着数据集。

图表数集。
ImageNet http://www.image-net.org/
。世界最老图像识别数据集,14197122摆放图像,斯坦福大学视觉实验室终身教学李飞飞创立。每年ImageNet大赛是国际计算机视觉顶级赛事。
COCO http://mscoco.org/
。微软创始,分割、加字幕标注数据集。目标划分,通过上下文进行分辨,每个图像包含多独对象对象,超过300000图像,超过2000000实例,80种植对象,每个图像包含5单字幕,包含100000单人口主要点。
CIFAR(Canada Institude For Advanced Research) https://www.cifar.ca/
。加拿大先进技术研究院征集。8000万稍图数集。包含CIFAR-10、CIFAR-100两独数据集。CIFAR-10,60000摆设32×32
RGB彩色图片,共10个门类,50000摆训练,10000摆测试(交叉验证)。CIFAR-100,60000张图像,100只品种,每个项目600摆放图像,500摆放训练,100布置测试。20个要命接近,每个图像包含小品种、大色两只标志。

口脸数据集。
AFLW(Annotated Facial Landmarks in the Wild)
http://lrs.icg.tugraz.at/research/aflw/
,从Flickr收集带标注面部图像大规模wyskwgk,各种姿态、表情、光照、种族、性别、年龄因素影响图片,25000万手工标注人脸图片,每个人脸标注21只特征点,大多数花,59%阴,41%阳。非常适合人脸识别、人脸检测、人脸对联合。
LFW(Labeled Faces in the Wild Home) http://vis-www.cs.umass.edu/lfw/
。美国马萨诸塞大学阿姆斯特分校计算机视觉实验室整理。13233摆图纸,5749人,4096人就出相同张图,1680只多给一致摆放。用于研究不受限情形人脸识别问题。人脸外形不安定,面部表情、观察角度、光照条件、室内室外、遮盖物(口罩、眼镜、帽子)、年龄影响。为学界评价识别性标准(benchmark)。
GENKI http://mplab.ucsd.edu
,加利福尼亚大学采集。包含GENKI-R2009a、GENKI-4K、GENKI-SZSL。GENKI-R2009a,11159图。GENKI-4K,4000图,笑与不笑两好像,每个图片人脸姿势、头转动标注角度,专用笑脸识别。GENKI-SZSL,3500图像,广泛背景、光照条件、地理位置、个人身份、种族。
VGG Face http://www.robots.ox.ac.uk/~vgg/data/vgg\_face/
。2622只不等人,每个人1000布置图纸,训练人脸识别大数据集。
CelebA(Large-scale CelebFaces Atributes,大规模名人人脸标注数据集)
http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html
。10177只名士,202599摆放名人图像,每张图像40独属性标注。

视频数据集。
YouTube-8M https://research.google.com/youtube8m/
。800万单YouTube视频URL,50万小时长度视频,带有视频标注。

问答数据集。
MS MARCO(Microsoft Machine Reading Comprehension) http://www.msmarco.org
。微软宣布,10万单问题和答案数据集。创建像人类同看、回答问题系统。基于匿名真实数据构建。
康奈尔大学电影对白数据集
https://www.cs.cornell.edu/~cristian/Cornell\_Movie-Dialogs\_Corpus.html
。600管好莱坞影片对白。

自动驾驶数据集。
法国国家信息与自动化研究所客人数据集(INRIA Person Dataset)
http://pascal.inrialpes.fr/data/human/
。作为图像以及视频中直立人检测研究工作有的采访。图片两种植格式,一怀有相应注释文件原始图像,二有所老图像经过正规处理64×128诸如素正像。图片分单生车、只有人、有车有人、无车不管人4独品种。
KITTI(Karlsruhe Institute of Technology and Toyota Technological
Institute) http://www.cvlibs.net/datasets/kitti/
。车辆数据集,7481单教练图片、7518单测试图。标注车辆种类、是否截断、遮挡情况、角度值、二维和三维框、位置、旋转角度。

岁、性别数据集。
Adience 数据集 http://www.openu.ac.il/home/hassner/Adience/data.html
。来源Flickr相册。用户用智能手机设备拍摄,2284档,26580摆图。保留光照、姿势、噪声影响。性别、年龄估计、人脸检测。

参考资料:
《TensorFlow技术解析和实战》

接推荐上海机械上工作机会,我的微信:qingxingfengzi

http://www.bkjia.com/Pythonjc/1233241.htmlwww.bkjia.comtruehttp://www.bkjia.com/Pythonjc/1233241.htmlTechArticle学习笔记TF067:TensorFlow
Serving、Flod、计算加速,机器上评测系统,公开数据集,tf067tensorflow
TensorFlow Serving https://tensorflow.github.io/serving/ 。…

生产条件灵活、高性能机器上型服务系统。适合因实际数目大运行,产生多单模型训练过程。可用来开发条件、生产条件。

型生命周期管理。模型先数据训练,逐步来初步模型,优化模型。模型多重算法试验,生成模型管理。客户端(Client)向TensorFlow
Severing请求模型,TensorFlow Severing返回适当模型给客户端。TensorFlow
Serving、gRPC(谷歌公司起源高性能、跨语言RPC框架),提供跨语言RPC接口,不同编程语言都得看模型。

TensorFlow Serving代码 https://hithub.com/tensorflow/serving
。源代码Bazel编译安装
https://github.com/tensorflow/serving/blob/master/tensorflow\_serving/g3doc/setup.md
,Docker安装。https://www.tensorflow.org/serving/setup 。结合TensorFlow
Serving,训练好模型,创建Docker镜像,推送及Google Container Registry
https://cloud.google.com/container-registry/docs/
。模型在谷歌云平台(Google Cloud
Platform)运行。Kubernetes成功安排模型服务。Serving Inception Model with
TensorFlow Serving and Kubernetes
https://tensorflow.github.ic/serving/serving\_inception 。Google ML
Engine,全托管TensorFlow平台,训练模型一键转换预测服务。

TensorFlow Flod https://github.com/tensorflow/fold ,《Deep Learning
with Dynamic Computation Graphs》https://openreview.net/pdf?id=ryrGawqex
。深度上过程,模型训练多少预处理,不同结构数据剪裁成相同维度、尺寸,划分成批,进入训练流程。静态图模型,缺点,输入数据无法一般先处理,模型针对不同输入数据建立不同计算图(computation
graph)分别训练,没有充分利用处理器、内存、高速缓存。
TensorFlow
Fold(现在尚闹了Eager模式,可以对照上),根据不同结构输入数据建立动态计算图(dynamic
computation),根据每个不同输入数据建立不同计算图。动态批处理(dynamic
batching)自动组合计算图,实现输入数据里面批处理,批处理单个输入图内不同节点,不同输入数据中批处理,批处理不同输入图间运算。可插入附加指令在不同批处理操作间移动数据。简化模型训练等输入数据预处理过程。CPU模型运行速度增长10倍增以上,GPU提高100倍增。

TensorFlow计算加速。GPU设备,XLA
框架融合OP,分布式计算、参数有分布至不同机器,硬件计算,CPU更高级命令集SSE、AVX,FPGA编写支持TensorFlow计算单元。
CPU加速。pip命令安装,与再宽泛机器兼容,TensorFlow默认仅于x86机器使用SSE4.1
SIMD指令。源代码安装好取得最好特别性,开启CPU高级指令集支持。bazel
构建只能在自己机器运行二进制文件。

bazel build -c opt –copt=-mavx –copt=-mavx2 –copt=-mfma
–copt=-mfpmath=both –copt=-msse4.2 –copt=-cuda -k
//tensorflow/tools/pip_package:build_pip_package
bazel-bin/tensorflow/tools/pip_package/build_pip_package
/tmp/tensorflow_pkg

在/tmp/tensorflow_pkg产生whell文件,再用pip命令安装wheel文件。

TPU 加速、FPGA加速。
谷歌TensorFlow设计专用集成芯片-张量处理单元(Tensor Processing
Unit,TPU)。CPU逻辑运算(if
else)能力特别强,计算能力较GPU差,深度上得海量计算。GPU有强劲浮点计算单元,GPU着色器(shader)对同样批判数量以平等步调执行同一指令流水。GPU同一时钟周期执行命令数量千级,3000长长的。CPU同一时钟周期执行令数据几十层。数据交互能力多超CPU。GPU逻辑运算能力不等,流水线并行能力(同一时钟周期起执行不同逻辑序列能力)差,需要批数量并调整执行同样逻辑。神经网络需要广泛数据交互能力,CNN卷积、矩阵运算操作,通过数量交互大幅提高性能。
GPU出厂后搭固定,硬件原生支持指令固定。如神经网络有GPU不支持指令,无法直接硬件实现,只能软件模拟。FPGA加速,开发者在FPGA里编程,改变FPGA硬件结构。FPGA体系布局不一,不是冯·诺伊曼结构,是代码描述逻辑电路。只要片及逻辑门、引脚够多,全部输入、运算、输出都在一个时钟周期内到位。FPGA一个钟周期执行同样软全体发热好电路,一个模块就同句超复杂“指令”,不同模块不同逻辑序列,序列里就是同一长达指令。不同运算单元硬件直连,数据交互、流水线并行共存(GPU流水线并行能力约0),浮点运算能力不若GPU。适合低顺延预测推理,每批大小比较小。
TPU,专用集成电路(application specific integrated
circuit,ASIC),硬件逻辑一旦烧写不可再编程,专门为TensorFlow做深上开发。TPU目前本不克完好运作TensorFlow功能,高效预测推理,不关乎训练。

机器上评测系统。

人脸识别性能指标。
鉴别性能,是否鉴别准确。Top-K识别率,给来前K个结果包含对结果概率。错误拒绝辨识率(FNIR),注册用户为系统错误辩识为其它注册用户比例。错误受辩识率(FPIR),非注册用户被系统识别为有注册用户比例。
证实性能,验证人脸模型是否足够好。误识率(False Accept
Rate,FAR),将其他人误作指定人员概率。拒识率(False Reject
Rate,FRR),将指定人员误作其他人员概率。识别速度,识别一合人脸图像时、识别一个丁岁月。注册速度,注册一个总人口时。

聊天机器人性能指标。
应正确率、任务完成率、对话回合数、对话时、系统平均响应时间、错误信息率。评价为主单元,单轮对话。人机对话过程,连续经过。http://sanwen.net/a/hkhptbo.html
《中国人工智能学会简报》2016年第6窝第1期待。聊天机器人,机器人答句和用户问句应该语义一致,语法正确,逻辑是。机器人答句以有趣、多样,不是直接闹安全应。机器人应该个性表达相同,年龄、身份、出生地基本背景音、爱好、语言风险当一致,能想象成一个杰出人。

机械翻译评价办法。
BLEU(bilingual evaluation
understudy)方法,2002年,IBM沃森研究中心提出。机器翻译语句与人类专业翻译语句越接近越好。下人工评价高度相关。正确句子作参照译文(reference)、正确句子(golden
sentence),测试句子作候选译文(candidate)。适用测试语料具有多个参考译文。比较参考译文与候选译文相同片段数量,参考译文连续出现N元组(N个单词或字)与候选译文N元组比较,n单位部分(n-gram)比较。计算了匹配N元组个数和参考译文N元组总个数比例。与职务无关。匹配片段数越多,候选译文质量更加好。
METEOR,不仅要求候选译文在一切句子上,在句子分段级别上,都设与参考译文更类似。https://en.wikipedia.org/wiki/METEOR\#Algorithm
。在得评字符串与参考文符串间创造平面图。待评翻每个一元组必须映射到参考翻译1单或0单一元组。选择映射交叉数据较少之。

常用通用评价指标。
准确率、召回率、F值、ROC、AUC、AP、mAP。
ROC(Receiver Operating Characteristic,受试者工作特色曲线)、AUC(Area
Under roc Curve,曲线下面积),评价分类器指标。ROC曲线横坐标FPR(False
positive rate),纵为标TPR(True positive
rate)。ROC曲线越接近左上角,分类器性能进一步好。AUC,ROC曲线下端积大小。ROC曲线处于y=x直线上,AUC值介于0.5~1.0。AUC值更老表示性能进一步好。专门AUC计算工具
http://mark.goadrich.com/programs/AUC/ 。
AP(average precision,平均准确性)、mAP(mean average
precision,平均准确性平均)。计算机视觉,分类问题,AP模型分类能力主要指标。只用P(precision
rate, 准确率)和R(recall
rate,召回率)评价,组成PR曲线趋势召回率越强准确率越没有。AP曲线下面积,等于对召回率做积分。mAP对有种类取平均,每个接近作同样次等第二分类任务。图像分类论文基本用mAP标准。

当众数量集。

图数集。
ImageNet http://www.image-net.org/
。世界最为酷图像识别数据集,14197122摆设图像,斯坦福大学视觉实验室终身教学李飞飞创立。每年ImageNet大赛是国际计算机视觉顶级赛事。
COCO http://mscoco.org/
。微软创办,分割、加字幕标注数据集。目标细分,通过上下文进行辨别,每个图像包含多独目标靶,超过300000图像,超过2000000实例,80栽对象,每个图像包含5单字幕,包含100000只人第一点。
CIFAR(Canada Institude For Advanced Research) https://www.cifar.ca/
。加拿大先进技术研究院收集。8000万聊图数集。包含CIFAR-10、CIFAR-100两个数据集。CIFAR-10,60000张32×32
RGB彩色图片,共10单种类,50000摆放训练,10000摆放测试(交叉验证)。CIFAR-100,60000布置图像,100独品类,每个品种600摆设图像,500摆设训练,100摆测试。20单深接近,每个图像包含小项目、大类型两独记。

丁脸数据集。
AFLW(Annotated Facial Landmarks in the Wild)
http://lrs.icg.tugraz.at/research/aflw/
,从Flickr收集带标注面部图像大规模wyskwgk,各种姿态、表情、光照、种族、性别、年龄因素影响图片,25000万手工标注人脸图片,每个人脸标注21独特征点,大多数五颜六色,59%女,41%男性。非常适合人脸识别、人脸检测、人脸对合。
LFW(Labeled Faces in the Wild Home) http://vis-www.cs.umass.edu/lfw/
。美国马萨诸塞大学阿姆斯特分校计算机视觉实验室整理。13233张图片,5749人口,4096人口偏偏发雷同布置图纸,1680独多为平摆设。用于研究不受限情形人脸识别问题。人脸外形不安宁,面部表情、观察角度、光照条件、室内室外、遮盖物(口罩、眼镜、帽子)、年龄影响。为学术界评价识别性标准(benchmark)。
GENKI http://mplab.ucsd.edu
,加利福尼亚大学筹募。包含GENKI-R2009a、GENKI-4K、GENKI-SZSL。GENKI-R2009a,11159图。GENKI-4K,4000图形,笑与不笑两近乎,每个图片人脸姿势、头转动标注角度,专用笑脸识别。GENKI-SZSL,3500图像,广泛背景、光照条件、地理位置、个人身份、种族。
VGG Face http://www.robots.ox.ac.uk/~vgg/data/vgg\_face/
。2622独不同人,每个人1000摆图片,训练人脸识别大数据集。
CelebA(Large-scale CelebFaces Atributes,大规模名人人脸标注数据集)
http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html
。10177独名人,202599摆设名人图像,每张图像40个属性标注。

视频数据集。
YouTube-8M https://research.google.com/youtube8m/
。800万只YouTube视频URL,50万时长度视频,带有视频标注。

问答数据集。
MS MARCO(Microsoft Machine Reading Comprehension) http://www.msmarco.org
。微软公布,10万只问题以及答案数据集。创建像人类同看、回答问题系统。基于匿名真实数据构建。
康奈尔大学电影对白数据集
https://www.cs.cornell.edu/~cristian/Cornell\_Movie-Dialogs\_Corpus.html
。600统好莱坞影片对白。

自行开数据集。
法国国家信息与自动化研究所旅客数据集(INRIA Person Dataset)
http://pascal.inrialpes.fr/data/human/
。作为图像及视频被直立人检测研究工作有采集。图片两栽格式,一备相应注释文件原始图像,二持有老图像经过专业处理64×128像素正像。图片分就来车、只有人、有车有人、无车随便人4独品类。
KITTI(Karlsruhe Institute of Technology and Toyota Technological
Institute) http://www.cvlibs.net/datasets/kitti/
。车辆数据集,7481只教练图片、7518只测试图。标注车辆档次、是否截断、遮挡情况、角度值、二维和三维框、位置、旋转角度。

年龄、性别数据集。
Adience 数据集 http://www.openu.ac.il/home/hassner/Adience/data.html
。来源Flickr相册。用户之所以智能手机设备拍摄,2284型,26580摆放图纸。保留光照、姿势、噪声影响。性别、年龄估计、人脸检测。

参考资料:
《TensorFlow技术解析及实战》

迎接推荐上海机上工作机遇,我之微信:qingxingfengzi

相关文章

Leave a Comment.