FastAPI + ONNX 部署机器学习模型最佳实践
本文介绍了如何结合FastAPI和ONNX实现机器学习模型的高效部署。面对模型兼容性、性能瓶颈、服务稳定性和安全性等挑战，FastAPI与ONNX提供了高性能、易于开发维护、跨框架支持和活跃社区的优势。通过将模型转换为ONNX格式、构建FastAPI应用、进行性能优化及考虑安全性，可以简化部署流程，提升推理性能，确保服务的可靠性与安全性。最后，以手写数字识别模型为例，展示了完整的部署过程，帮助读者更好地理解和应用这些技术。
基于Python深度学习的眼疾识别系统实现~人工智能+卷积网络算法
眼疾识别系统，本系统使用Python作为主要开发语言，基于TensorFlow搭建卷积神经网络算法，并收集了4种常见的眼疾图像数据集（白内障、糖尿病性视网膜病变、青光眼和正常眼睛）
再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型，然后保存为为本地h5格式文件。最后使用Django框架搭建了一个Web网页平台可视化操作界面，实现用户上传一张眼疾图片识别其名称。
【AI系统】计算图基本介绍
近年来，AI框架如TensorFlow和PyTorch通过计算图描述神经网络，推动了AI技术的发展。计算图不仅抽象了神经网络的计算表达，还支持了模型算子的高效执行、梯度计算及参数训练。随着模型复杂度增加，如MOE、GAN、Attention Transformer等，AI框架需具备快速分析模型结构的能力，以优化训练效率。计算图与自动微分紧密结合，实现了从前向计算到反向传播的全流程自动化。
【AI系统】微分计算模式
本文深入探讨了自动微分技术，这是AI框架中的核心功能。自动微分分为前向微分和后向微分两种模式，主要通过雅克比矩阵实现。前向模式适用于输出维度大于输入的情况，而后向模式则更适合多参数场景，广泛应用于现代AI框架中。文章还详细解释了这两种模式的工作原理、优缺点及应用场景。
《TensorFlow 的基本概念和使用场景》
TensorFlow是由Google开发的开源机器学习框架，支持灵活构建与训练各类模型。其核心概念包括张量、计算图、变量和会话，广泛应用于机器学习、数据处理、分布式计算及模型部署等领域，具备高效计算与部署能力。
【AI系统】模型转换流程
本文详细介绍了AI模型在不同框架间的转换方法，包括直接转换和规范式转换两种方式。直接转换涉及从源框架直接生成目标框架的模型文件，而规范式转换则通过一个中间标准格式（如ONNX）作为桥梁，实现模型的跨框架迁移。文中还提供了具体的转换流程和技术细节，以及模型转换工具的概览，帮助用户解决训练环境与部署环境不匹配的问题。