创建dockerhub账号登录dockerhub，创建一个账号注意：账号和密码在后续中需要使用创建完成后登录在本地构建好的进行进行上次到dockerhub 对本地镜像进行打标签在本地docker中对需要上传的镜像进行打标签，用于版本区分dockertag本地镜像名或id打包后名:版本example：dockertagmysql:v1.0.0fooleryang/mysql:0.0.1 登录到dockerhub在本地docker中登录到dockerhub，使用刚才注册的账号密码dockerlogin-u用户名-p密码上传上传本地镜像到自己的dockerhubdockerpull打标签后的镜像名或
目前处于学习Tensorflow的第一阶段，记录一下我的笔记。文章目录一、tf.tensor的基础知识二、创建tensor三、数据类型1.Create（初始化）2.TensorProperty（属性）3.CheckTensorType（判断是否是Tensor）4.Convert（类型转换）5.tf.Variable6.Tonumpy一、tf.tensor的基础知识scaler（标量）：56vector（向量）：[1.2]；[1.1,2.2,3.3]matrix（矩阵）：[1.1,2.2]；[3.3,4.4]tensor（张量）：rank>2代表任意维度的数据二、创建tensor创建方式：tf.
目前处于学习Tensorflow的第一阶段，记录一下我的笔记。文章目录一、tf.tensor的基础知识二、创建tensor三、数据类型1.Create（初始化）2.TensorProperty（属性）3.CheckTensorType（判断是否是Tensor）4.Convert（类型转换）5.tf.Variable6.Tonumpy一、tf.tensor的基础知识scaler（标量）：56vector（向量）：[1.2]；[1.1,2.2,3.3]matrix（矩阵）：[1.1,2.2]；[3.3,4.4]tensor（张量）：rank>2代表任意维度的数据二、创建tensor创建方式：tf.
分类目录：《深入浅出TensorFlow2函数》总目录相关文章：·深入浅出TensorFlow2函数——tf.reduce_sum·深入浅出TensorFlow2函数——tf.math.reduce_sum·深入浅出Pytorch函数——torch.sum·深入浅出PaddlePaddle函数——paddle.sum计算张量各维度上元素的总和。语法tf.reduce_sum(input_tensor,axis=None,keepdims=False,name=None)参数input_tensor：[Tensor]待求和的多维Tensor。axis：求和运算的维度。如果为None，则计算所有元
项目场景：在使用TensorFlow框架实现深度学习应用时，可能会遇到以下错误：AttributeError:module'tensorflow'hasnoattribute'placeholder'问题描述在TensorFlow1.x版本中，placeholder函数用于创建占位符张量。然而，在TensorFlow2.x版本中，placeholder函数已被移除。如果你尝试在TensorFlow2.x版本中运行以下代码：importtensorflowastfself.x=tf.placeholder(tf.float32,[None,n_step,n_input])出现报错：Attribu
目录Hub&Spoke组网基本概念路由传递过程讲解环路问题Hub&Spoke组网方案Hub&Spoke组网基本概念将多个站点中的一个站点设置为Hub站点，其余站点设置为Spoke站点站点之间的互访必须经过Hub站点，通过Hub站点集中管控站点间的数据传输主要通过设置RT值来实现Hub站点集中集中管控路由传递过程讲解CE1、CE2把私网路由给到PE1、PE2PE1、PE2将私网路由加入实例路由表，并引入到BGPVpnv4中发布给PE3.1PE3.1把site1、site2的路由引入到OSPF-VPN实例，传递到CE3CE3再通过OSPF路由发回给PE3，PE3引入到BGP实例PE3.2中环路问题
目录前言数据采集、处理导入包正弦波数据生成数据集分类模型1训练模型1创建模型1训练检查训练指标模型2训练模型导出（TensorFlowLite）模型部署、功能编写前言TinyML是机器学习前沿的一个分支，致力于在超低功耗、资源受限的边缘端（MCU）部署机器学习模型，实现边缘AI，使机器学习真正大众化，使生活真正智能化。简单来说就是在单片机上跑深度学习，很不可思议吧，因为AI在大众的印象里都是需要大算力、高能耗，TinyML为低功耗AI的普及开了个好头。下面介绍的一个项目是TinyML最简单入门的一个小项目，麻雀虽小，五脏俱全，它包含了基本的TinyML项目所有的必要步骤。它就是用神经网络训练一
目录前言数据采集、处理导入包正弦波数据生成数据集分类模型1训练模型1创建模型1训练检查训练指标模型2训练模型导出（TensorFlowLite）模型部署、功能编写前言TinyML是机器学习前沿的一个分支，致力于在超低功耗、资源受限的边缘端（MCU）部署机器学习模型，实现边缘AI，使机器学习真正大众化，使生活真正智能化。简单来说就是在单片机上跑深度学习，很不可思议吧，因为AI在大众的印象里都是需要大算力、高能耗，TinyML为低功耗AI的普及开了个好头。下面介绍的一个项目是TinyML最简单入门的一个小项目，麻雀虽小，五脏俱全，它包含了基本的TinyML项目所有的必要步骤。它就是用神经网络训练一
1.1卷积神经网络简介文章目录1.1卷积神经网络简介1.2神经网络1.2.1神经元模型1.2.2神经网络模型1.3卷积神经网络1.3.1卷积的概念1.3.2卷积的计算过程1.3.3感受野1.3.4步长和参数量1.4卷积神经网络的全过程图示1.5模型训练与结果分析(含代码)卷积网络的核心思想是将：局部感受野权值共享（或者权值复制）时间或空间亚采样卷积神经网络（ConvolutionalNeuralNetworks，简称：CNN）是深度学习当中一个非常重要的神经网络结构。它主要用于用在图像图片处理，视频处理，音频处理以及自然语言处理等等。早在上世纪80年代左右，卷积神经网络的概念就已经被提出
1，dockerhub不能访问了在oschina的地方找找了文章和原因：https://www.oschina.net/comment/news/2416272，通过啥方式进行访问呢？目前配置源还是可以正常的pull和push的。{"data-root":"/data/docker","registry-mirrors":["http://registry.docker-cn.com"],"insecure-registries":["registry.docker-cn.com"]}昨天刚把IOT项目的镜像推送上去。但是登陆不了界面，创建不了新的应用了。还不是很方便。3，寻找国内的镜像仓库然
