M1芯片tensorflow算力

㈠ 华为正式发布最强算力AI芯片升腾910，这款处理器到底有多强

升腾910处理器计算能力非常强大，可以算是目前最厉害的了。

㈡ tensorflow cpu版本和gpu版本可以同时安装吗

不能同时安装。

㈢ gtx 1660 的cuda计算能力是多少

当然支持。之前持续跑了一个星期tensorflow，任务管理器可以看到Cuda占有率100%，电费都多了20块钱。
tensorflow显示GTX 1660的计算能力为7.5。应该没这么高，估计6.1。
使用其GPU计算1000万的矩阵乘法，速度大概是CPU( i59代) 的200倍。

㈣ tensorflow-gpu不能import tensoflow吗

GPU英文全称Graphic Processing Unit，中文翻译为"图形处理器"。（图像处理单元）GPU是相对于CPU的一个概念，由于在现代的计算机中（特别是家用系统，游戏的发烧友）图形的处理变得越来越重要，需要一个专门的图形的核心处理器。
GPU是显卡的"心脏"，也就相当于CPU在电脑中的作用，它决定了该显卡的档次和大部分性能，同时也是2D显示卡和3D显示卡的区别依据。图形处理芯片。NVIDIA公司在1999年发布GeForce256图形处理芯片时首先提出GPU的概念。
GPU能够从硬件上支持T&L（TransformandLighting，多边形转换与光源处理）的显示芯片，因为T&L是3D渲染中的一个重要部分，其作用是计算多边形的3D位置和处理动态光线效果，也可以称为"几何处理"。
即使CPU的工作频率超过3GHz或更高，对它的帮助也不大，由于这是PC本身设计造成的问题，与CPU的速度无太大关系。

㈤ 如何用TensorFlow和TF-Slim实现图像分类与分割

ERDAS中好像没有神经网络模块，用神经网络分类一般都是用MATLAB中的神经网络工具箱的。

㈥ 华为发布全球算力最强AI处理，是否说明中国结束芯片进口指日可待

作为国人，我们应理性看待问题。我们虽然取得了进步但我们与美日等科技强国在芯片研发方面仍有较大差距，需要更加努力才行。

中华有为，华为公司在芯片研发这方面虽然起步是晚的但还好是没有放弃一直坚持自己的想法。从中国制造到中国创造，华为公司一直坚守着自己的理念树立民族品牌形象。

华为从一开始的落后到现在能追上高端科技的发展水平，正式因为华为的坚持，华为的投资，让我们也看见了民族企业的未来。我相信在华为这样的巨头带领下中国芯片业会更加强大。

㈦ 学习tensorflow，买什么笔记本好

惠普Spectre x360 13-w020tu（Z4K32PA）
所属惠普 Spectre x360 13-w000
屏幕尺寸：13.3英寸 1920x1080
笔记本重量：1.29Kg
CPU型号：Intel 酷睿i7 7500U
CPU主频：2.7GHz
内存容量：8GB（8GB×1） LPDDR3（低功耗版）1866MHz
硬盘容量：256GB SSD固态硬盘
显卡芯片：Intel GMA HD 620

㈧ tensorflow的cpu和gpu能差多少

gpu对于模型训练的算力一般在cpu的10倍以上，能极大节省训练时间

㈨ 如何用tensorflow和tf-slim实现图像分类

们刚刚下载的模型可以将图像分成1000类。类别的覆盖度非常广。在本文中，我们就用这个预训练的模型来给图片分类、标注和分割，映射到这1000个类别。

下面是一个图像分类的例子。图像首先要做预处理，经过缩放和裁剪，输入的图像尺寸与训练集的图片尺寸相同。

%
importos
importtensorflowastf
importurllib2

fromdatasetsimportimagenet
fromnetsimportvgg
frompreprocessingimportvgg_preprocessing

checkpoints_dir='/home/dpakhom1/checkpoints'

slim=tf.contrib.slim

#网络模型的输入图像有默认的尺寸
#因此，我们需要先调整输入图片的尺寸
image_size=vgg.vgg_16.default_image_size

withtf.Graph().as_default():

url=("https://upload.wikimedia.org/wikipedia/commons/d/d9/"
"First_Student_IC_school_bus_202076.jpg")

#连接网址，下载图片
image_string=urllib2.urlopen(url).read()

#将图片解码成jpeg格式
image=tf.image.decode_jpeg(image_string,channels=3)

#对图片做缩放操作，保持长宽比例不变，裁剪得到图片中央的区域
#裁剪后的图片大小等于网络模型的默认尺寸
processed_image=vgg_preprocessing.preprocess_image(image,
image_size,
image_size,
is_training=False)

#可以批量导入图像
#第一个维度指定每批图片的张数
#我们每次只导入一张图片
processed_images=tf.expand_dims(processed_image,0)

#创建模型，使用默认的argscope参数
#arg_scope是slimlibrary的一个常用参数
#可以设置它指定网络层的参数，比如stride,padding等等。
withslim.arg_scope(vgg.vgg_arg_scope()):
logits,_=vgg.vgg_16(processed_images,
num_classes=1000,
is_training=False)

#我们在输出层使用softmax函数，使输出项是概率值
probabilities=tf.nn.softmax(logits)

#创建一个函数，从checkpoint读入网络权值
init_fn=slim.assign_from_checkpoint_fn(
os.path.join(checkpoints_dir,'vgg_16.ckpt'),
slim.get_model_variables('vgg_16'))

withtf.Session()assess:

#加载权值
init_fn(sess)

#图片经过缩放和裁剪，最终以numpy矩阵的格式传入网络模型
np_image,network_input,probabilities=sess.run([image,
processed_image,
probabilities])
probabilities=probabilities[0,0:]
sorted_inds=[i[0]foriinsorted(enumerate(-probabilities),
key=lambdax:x[1])]

#显示下载的图片
plt.figure()
plt.imshow(np_image.astype(np.uint8))
plt.suptitle("Downloadedimage",fontsize=14,fontweight='bold')
plt.axis('off')
plt.show()

#显示最终传入网络模型的图片
#图像的像素值做了[-1,1]的归一化
#toshowtheimage.
plt.imshow(network_input/(network_input.max()-network_input.min()))
plt.suptitle("Resized,CroppedandMean-Centeredinputtonetwork",
fontsize=14,fontweight='bold')
plt.axis('off')
plt.show()

names=imagenet.create_readable_names_for_imagenet_labels()
foriinrange(5):
index=sorted_inds[i]
#打印top5的预测类别和相应的概率值。
print('Probability%0.2f=>[%s]'%(probabilities[index],names[index+1]))

res=slim.get_model_variables()
Probability1.00=>[schoolbus]
Probability0.00=>[minibus]
Probability0.00=>[passengercar,coach,carriage]
Probability0.00=>[trolleybus,trolleycoach,tracklesstrolley]
Probability0.00=>[cab,hack,taxi,taxicab]