-
边缘AI部署：TensorFlow Lite Micro在MCU上的模型量化与推理加速
在智能家居、工业物联网等场景中，边缘AI正以“低延迟、高隐私、低功耗”的优势重塑设备智能化范式。以STM32H7为代表的MCU（微控制器）凭借低至16KB的内存占用和毫秒级响应，成为边缘推理的核心载体。而TensorFlow Lite Micro（TFLM）作为专为裸机环境设计的轻量级框架，通过模型量化与推理加速技术，让CNN、RNN等复杂模型得以在资源受限的MCU上高效运行。
-
深度学习框架选型：PyTorch、TensorFlow、PaddlePaddle在视觉任务中的优劣
计算机视觉中，深度学习框架的选择直接影响模型开发效率、训练性能及部署效果。PyTorch、TensorFlow和PaddlePaddle作为三大主流框架，在动态图机制、分布式训练、硬件适配等核心特性上存在显著差异。本文结合具体应用场景，从技术原理、性能数据及产业落地案例三个维度，深入分析三者优劣。
-
从零开始：STM32+TensorFlow Lite实现手势识别的完整部署指南
智能家居与工业控制场景，手势识别作为非接触式交互的核心技术，正从实验室走向消费级应用。以STM32F407VET6微控制器与TensorFlow Lite Micro框架的组合为例，通过模型量化、硬件加速与低功耗设计，可实现5种手势(上划/下划/左划/右划/静止)的实时识别，推理延迟低至7.8ms，功耗仅9mA，为嵌入式设备提供了一套可复用的技术方案。
-
TensorFlow Lite模型量化在嵌入式设备的部署实践
在工业物联网和智能终端快速发展的背景下，边缘计算成为实现低延迟、高能效AI推理的核心架构。然而，嵌入式设备普遍面临内存容量小、算力有限、功耗敏感等挑战，例如STM32F7系列MCU仅配备2MB Flash和320KB RAM。TensorFlow Lite（TFLite）通过模型量化技术，将FP32模型压缩至INT8格式，在保持精度的同时显著降低资源消耗，成为嵌入式AI部署的关键解决方案。
-
终端侧AI推理优化：TensorFlow Lite Micro在便携式超声仪中的应用
随着物联网（IoT）和嵌入式系统的快速发展，将人工智能（AI）推理能力部署到资源受限的嵌入式设备上，实现端侧AI推理，已成为一个热门话题。便携式超声仪作为一种重要的医疗诊断设备，其智能化升级对于提升基层医疗、偏远地区和紧急救援场景中的诊断效率具有重要意义。TensorFlow Lite Micro（TFLM）作为谷歌推出的专为嵌入式设备设计的轻量级机器学习推理框架，为便携式超声仪的端侧AI推理提供了强大的支持。
-
嵌入式端侧AI推理：TensorFlow Lite Micro实战指南
随着物联网（IoT）和嵌入式系统的快速发展，将人工智能（AI）推理能力部署到资源受限的嵌入式设备上，实现端侧AI推理，已成为一个热门话题。TensorFlow Lite Micro（TFLM）作为谷歌推出的专为嵌入式设备设计的轻量级机器学习推理框架，为这一领域提供了强大的支持。本文将详细介绍如何使用TensorFlow Lite Micro在嵌入式设备上实现AI推理，并通过实战案例展示其应用过程。
-
基于树莓派的目标检测使用TensorFlow和OpenCV
在计算机视觉领域，设计一个能够在一张图像中识别多个物体的综合机器学习模型是一项具有挑战性的任务。然而，随着深度学习和目标识别系统的最新进展，开发这种多目标识别系统变得更加容易。在这里，我们将使用TensorFlow和OpenCV与树莓派构建对象检测模型。
-
深度学习框架介绍：TensorFlow和PyTorch
在不断发展的人工智能世界中，开发人员在选择正确的深度学习框架时常常感到困惑。无论是由 Google Brain 团队力量支持的 TensorFlow 丰富文档，还是由 Facebook 人工智能研究实验室提供的 PyTorch 动态计算图，选择都不是那么简单。有些框架在语义分割方面表现出色，而另一些框架则在 GPU 基准测试方面表现出色。
-
机器学习有哪些框架
深度学习需要大量的计算。它通常包含具有许多节点的神经网络，并且每个节点都有许多需要在学习过程中必须不断更新的连接。换句话说，神经网络的每一层都有成百上千个相同的人工神经元在执行相同的计算。
-
机器学习的框架和三个步骤
今天，小编将在这篇文章中为大家带来机器学习的有关报道，通过阅读这篇文章，大家可以对它具备清晰的认识，主要内容如下。
-
AI“觉醒”，人工智能核心是什么？数据才是“C位”？
收获接近16.6万个Star、见证深度学习崛起的TensorFlow，地位已岌岌可危。并且这次，冲击不是来自老对手PyTorch，而是自家新秀JAX。
-
Tensorflow如何安装?tensorflow如何实现线性回归操作?
本文将带来tensorflow的安装教程，并对tensorflow实现简单线性回归的具体做法予以探讨。
-
什么是tensorflow?tensorflow如何读取csv文件?
本文中，小编将对tensorflow的基本内容予以介绍，如什么是tensorflow以及什么是数据流图。此外，本文还将对tensorflow读取csv文件的过程予以解读，并给出具体代码。
-
Tensorflow、sklearn孰好孰坏?tensorflow损失函数是什么?
那么，tensorflow和sklearn相比，具体优劣势有哪些呢?这将是本文介绍的内容之一。此外，本文将对tensorflow的损失函数加以介绍，以增进大家对tensorflow的了解。
-
快 2 倍，TensorFlow Lite 推出基于 OpenCL 的 Android 移动 GPU 推理引擎
TensorFlow Lite（TFLite）现在支持在 Android 设备上使用 OpenCL 进行 GPU 推理，这一改进使得 TFLite 性能比使用现有 OpenGL 后端提高了约 2 倍。
-
TensorFlow、MXNet、CNTK、Theano四个框架对比分析
本文通过五个任务分别测试了 MLP、CNN 和 RNN 模型，机器之心不仅对该试验进行了介绍，同时还使用 Keras（TensorFlow 后端）在 MNIST 数据集上试运行了 CNN。
-
TensorFlow中超大的30个机器学习数据集
导读 包括图像，视频，音频，文本，非常的全。 largest tensorflow datasets for machine learning 由谷歌Brain的研究人员创建的TensorFlow
-
TensorFlow实战之深度学习框架的对比
Google近日发布了TensorFlow 1.0候选版，这第一个稳定版将是深度学习框架发展中的里程碑的一步。自TensorFlow于2015年底正式开源，距今已有一年多，这期间TensorFl
-
经过Python和Tensorflow处理的神经网络模型详解
最近在尝试将所有的机器学习与深度学习的模型用Python来实现，大致的学习思路如下： 分类器 回归与预测 时间序列 所有的模型先用 Python语言实现，然后用T
-
TensorFlow的经典案例
本文是TensorFlow实现流行机器学习算法的教程汇集，目标是让读者可以轻松通过清晰简明的案例深入了解 TensorFlow。这些案例适合那些想要实现一些 TensorFlow 案例的初学者。
