Ito ang Windows app na pinangalanang TensorFlow Serving na ang pinakabagong release ay maaaring ma-download bilang 2.13.1.zip. Maaari itong patakbuhin online sa libreng hosting provider na OnWorks para sa mga workstation.
I-download at patakbuhin online ang app na ito na pinangalanang TensorFlow Serving with OnWorks nang libre.
Sundin ang mga tagubiling ito upang patakbuhin ang app na ito:
- 1. Na-download ang application na ito sa iyong PC.
- 2. Ipasok sa aming file manager https://www.onworks.net/myfiles.php?username=XXXXX kasama ang username na gusto mo.
- 3. I-upload ang application na ito sa naturang filemanager.
- 4. Magsimula ng anumang OS OnWorks online emulator mula sa website na ito, ngunit mas mahusay na Windows online emulator.
- 5. Mula sa OnWorks Windows OS na kasisimula mo pa lang, pumunta sa aming file manager https://www.onworks.net/myfiles.php?username=XXXX gamit ang username na gusto mo.
- 6. I-download ang application at i-install ito.
- 7. I-download ang Wine mula sa iyong mga Linux distributions software repository. Kapag na-install na, maaari mong i-double click ang app upang patakbuhin ang mga ito gamit ang Wine. Maaari mo ring subukan ang PlayOnLinux, isang magarbong interface sa ibabaw ng Wine na tutulong sa iyong mag-install ng mga sikat na programa at laro sa Windows.
Ang alak ay isang paraan upang patakbuhin ang software ng Windows sa Linux, ngunit walang kinakailangang Windows. Ang alak ay isang open-source na layer ng compatibility ng Windows na maaaring direktang magpatakbo ng mga program sa Windows sa anumang desktop ng Linux. Sa totoo lang, sinusubukan ng Wine na muling ipatupad ang sapat na Windows mula sa simula upang mapatakbo nito ang lahat ng mga Windows application na iyon nang hindi talaga nangangailangan ng Windows.
MGA SCREENSHOT:
TensorFlow Serving
DESCRIPTION:
Ang TensorFlow Serving ay isang flexible, high-performance na sistema ng paghahatid para sa mga modelo ng machine learning, na idinisenyo para sa mga production environment. Tinatalakay nito ang aspeto ng inference ng machine learning, pagkuha ng mga modelo pagkatapos ng pagsasanay at pamamahala sa kanilang mga buhay, na nagbibigay sa mga kliyente ng access sa bersyon sa pamamagitan ng isang high-performance, reference-counted lookup table. Nagbibigay ang TensorFlow Serving ng out-of-the-box na pagsasama sa mga modelong TensorFlow, ngunit madaling mapalawak upang maihatid ang iba pang mga uri ng mga modelo at data. Ang pinakamadali at pinaka straight-forward na paraan ng paggamit ng TensorFlow Serving ay gamit ang mga larawan ng Docker. Lubos naming inirerekomenda ang rutang ito maliban kung mayroon kang mga partikular na pangangailangan na hindi natutugunan sa pamamagitan ng pagtakbo sa isang lalagyan. Upang makapaghatid ng modelong Tensorflow, mag-export lang ng SavedModel mula sa iyong Tensorflow program. Ang SavedModel ay isang language-neutral, nare-recover, hermetic na serialization na format na nagbibigay-daan sa mas mataas na antas ng mga system at tool na gumawa, gumamit, at magbago ng mga modelo ng TensorFlow.
Mga tampok
- Maaaring maghatid ng maraming modelo, o maraming bersyon ng parehong modelo nang sabay-sabay
- Inilalantad ang parehong gRPC pati na rin ang HTTP inference endpoints
- Nagbibigay-daan sa pag-deploy ng mga bagong bersyon ng modelo nang hindi binabago ang anumang code ng kliyente
- Sinusuportahan ang canarying ng mga bagong bersyon at pagsubok ng A/B na mga pang-eksperimentong modelo
- Nagdaragdag ng kaunting latency sa oras ng paghihinuha dahil sa mahusay at mababang overhead na pagpapatupad
- Nagtatampok ng scheduler na nagpapangkat-pangkat ng mga indibidwal na kahilingan sa inference sa mga batch para sa magkasanib na pagpapatupad sa GPU, na may mga nako-configure na kontrol sa latency
Wika ng Programming
C + +
Kategorya
Ito ay isang application na maaari ding kunin mula sa https://sourceforge.net/projects/tensorflow-serving.mirror/. Na-host ito sa OnWorks upang mapatakbo online sa pinakamadaling paraan mula sa isa sa aming mga libreng Operative System.