前言：在EC2CentOS7上使用docker搭建了一个私有仓库，在使用过程中遇到的问题进行总结：公网IP：34.222.114.8私网IP：10.0.1.46问题①：[root@ip-10-0-1-46~]#dockerpush 34.222.114.8:5000/centos:v1 Thepushreferstoarepository[34.222.114.8:5000/centos]Gethttps://34.222.114.8:5000/v1/_ping:http:servergaveHTTPresponsetoHTTPSclient 出现这个问题的原因主要是docker从1.3.2版

毋庸讳言，和传统架构(BS开发/CS开发)相比，人工智能技术确实有一定的基础门槛，它注定不是大众化，普适化的东西。但也不能否认，人工智能技术也具备像传统架构一样“套路化”的流程，也就是说，我们大可不必自己手动构建基于神经网络的机器学习系统，直接使用深度学习框架反而更加简单，深度学习可以帮助我们自动地从原始数据中提取特征，不需要手动选择和提取特征。之前我们手动构建了一个小型的神经网络，解决了机器学习的分类问题，本次我们利用深度学习框架Tensorflow2.11构建一套基于神经网络协同过滤模型(NCF)的视频推荐系统，解决预测问题，完成一个真正可以落地的项目。推荐系统发展历程“小伙子，要光盘吗？

毋庸讳言，和传统架构(BS开发/CS开发)相比，人工智能技术确实有一定的基础门槛，它注定不是大众化，普适化的东西。但也不能否认，人工智能技术也具备像传统架构一样“套路化”的流程，也就是说，我们大可不必自己手动构建基于神经网络的机器学习系统，直接使用深度学习框架反而更加简单，深度学习可以帮助我们自动地从原始数据中提取特征，不需要手动选择和提取特征。之前我们手动构建了一个小型的神经网络，解决了机器学习的分类问题，本次我们利用深度学习框架Tensorflow2.11构建一套基于神经网络协同过滤模型(NCF)的视频推荐系统，解决预测问题，完成一个真正可以落地的项目。推荐系统发展历程“小伙子，要光盘吗？

毋庸讳言，和传统架构(BS开发/CS开发)相比，人工智能技术确实有一定的基础门槛，它注定不是大众化，普适化的东西。但也不能否认，人工智能技术也具备像传统架构一样“套路化”的流程，也就是说，我们大可不必自己手动构建基于神经网络的机器学习系统，直接使用深度学习框架反而更加简单，深度学习可以帮助我们自动地从原始数据中提取特征，不需要手动选择和提取特征。之前我们手动构建了一个小型的神经网络，解决了机器学习的分类问题，本次我们利用深度学习框架Tensorflow2.11构建一套基于神经网络协同过滤模型(NCF)的视频推荐系统，解决预测问题，完成一个真正可以落地的项目。推荐系统发展历程“小伙子，要光盘吗？

毋庸讳言，和传统架构(BS开发/CS开发)相比，人工智能技术确实有一定的基础门槛，它注定不是大众化，普适化的东西。但也不能否认，人工智能技术也具备像传统架构一样“套路化”的流程，也就是说，我们大可不必自己手动构建基于神经网络的机器学习系统，直接使用深度学习框架反而更加简单，深度学习可以帮助我们自动地从原始数据中提取特征，不需要手动选择和提取特征。之前我们手动构建了一个小型的神经网络，解决了机器学习的分类问题，本次我们利用深度学习框架Tensorflow2.11构建一套基于神经网络协同过滤模型(NCF)的视频推荐系统，解决预测问题，完成一个真正可以落地的项目。推荐系统发展历程“小伙子，要光盘吗？

译者|陈峻审校|孙淑娟众所周知，人类在很小的时候就学会了识别和标记自己所看到的事物。如今，随着机器学习和深度学习算法的不断迭代，计算机已经能够以非常高的精度，对捕获到的图像进行大规模的分类了。目前，此类先进算法的应用场景已经涵括到了包括：解读肺部扫描影像是否健康，通过移动设备进行面部识别，以及为零售商区分不同的消费对象类型等领域。下面，我将和您共同探讨计算机视觉（ComputerVision）的一种应用——图像分类，并逐步展示如何使用TensorFlow，在小型图像数据集上进行模型的训练。1、数据集和目标在本示例中，我们将使用MNIST数据集的从0到9的数字图像。其形态如下图所示：我们训练该模

译者|陈峻审校|孙淑娟众所周知，人类在很小的时候就学会了识别和标记自己所看到的事物。如今，随着机器学习和深度学习算法的不断迭代，计算机已经能够以非常高的精度，对捕获到的图像进行大规模的分类了。目前，此类先进算法的应用场景已经涵括到了包括：解读肺部扫描影像是否健康，通过移动设备进行面部识别，以及为零售商区分不同的消费对象类型等领域。下面，我将和您共同探讨计算机视觉（ComputerVision）的一种应用——图像分类，并逐步展示如何使用TensorFlow，在小型图像数据集上进行模型的训练。1、数据集和目标在本示例中，我们将使用MNIST数据集的从0到9的数字图像。其形态如下图所示：我们训练该模

目录引言设置引言在进行深度学习实验的时候，可能经常会发现，虽然输入的数据都是一样的，但是输出的结果总是会有不同的波动，这主要是由于在神经网络中，很多网络层参数的初始化会涉及到随机，这个就会导致最终的结果会有一些差距，因此如果我们想要固定某一个结果，并复现这个结果，我们就需要提前设置固定的随机种子设置一般来说，我们可以通过对每一层的网络层设置固定的随机种子，保持结果可复现，但是显然这是比较麻烦的一件事，所以我们可以通过tf.random.set_seed()来全局固定CPU上的随机性，但是当我们使用GPU训练时，则无法起作用，需要通过tensorflow-determinism库来实现在GPU上

目录引言设置引言在进行深度学习实验的时候，可能经常会发现，虽然输入的数据都是一样的，但是输出的结果总是会有不同的波动，这主要是由于在神经网络中，很多网络层参数的初始化会涉及到随机，这个就会导致最终的结果会有一些差距，因此如果我们想要固定某一个结果，并复现这个结果，我们就需要提前设置固定的随机种子设置一般来说，我们可以通过对每一层的网络层设置固定的随机种子，保持结果可复现，但是显然这是比较麻烦的一件事，所以我们可以通过tf.random.set_seed()来全局固定CPU上的随机性，但是当我们使用GPU训练时，则无法起作用，需要通过tensorflow-determinism库来实现在GPU上

?作者：韩信子@ShowMeAI?深度学习实战系列：https://www.showmeai.tech/tutorials/42?本文地址：https://www.showmeai.tech/article-detail/319?声明：版权所有，转载请联系平台与作者并注明出处?收藏ShowMeAI查看更多精彩内容当今的很多AI算法落地，我们都需要依赖特定的机器学习框架，现在比较热门的AI工具库如TensorFlow和PyTorch都出自大厂，并且有很好的生态和资源，借助它们我们可以很快速完成典型的一些任务，如图像分类或自然语言处理。然而，工具库和工具库之间的相互切换，是一件很麻烦的事情，比如某