基于深度学习的【野生动物识别】系统设计与实现~Python
动物识别系统，使用Python作为主要开发语言，基于深度学习TensorFlow框架，搭建卷积神经网络算法。并通过对18种动物数据集进行训练，最后得到一个识别精度较高的模型。并基于Django框架，开发网页端操作平台，实现用户上传一张动物图片识别其名称。目前可识别的动物有：'乌龟', '云豹', '变色龙', '壁虎', '狞猫', '狮子', '猎豹', '美洲狮', '美洲虎', '老虎', '蜥蜴', '蝾螈', '蟾蜍', '豹猫', '钝吻鳄', '雪豹','非洲豹', '鬣蜥'。本系统是一个完整的人工智能，机器学习，深度学习项目，包含训练预测代码，训练好的模型，WEB网页端界面，数
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。
Android TensorFlowLite sdk接入详细记录
前言
最近在研究ML的相关内容，开始在Android应用中接入TensorFlowLite。花了不少时间，添了不少坑，如果是裸的空项目接入还好，如果是现有的线上产品的接入，还是会有不少问题需要处理的，而且过程中，很多错误，网上的结论都是错误的，这个流程是我手把手一步步走的~亲测靠谱
先看效果
.
Perseus-BERT——业内性能极致优化的BERT训练方案
【作者】 笋江（林立翔） 驭策（龚志刚） 蜚廉（王志明） 昀龙（游亮）
一，背景——横空出世的BERT全面超越人类
2018年在自然语言处理（NLP）领域最具爆炸性的一朵“蘑菇云”莫过于Google Research提出的BERT（Bidirectional Encoder