275 条“大模型部署-9” 相关内容
- TensorFlow配置 | DeployDeploy（部署）
Deploy（部署）
Deploy 本节重点介绍部署现实世界的模型。它包含以下文件： 分布式TensorFlow，它解释了如何创建一个TensorFlow服务器集群。
- Docker引擎 | Engine部署服务（引擎） | Deploy a service (Engine)
部署服务（引擎） | Deploy a service (Engine)
Deployaservicetotheswarm 创建完群后，您可以将服务部署到群中。在本教程中，您还添加了工作节点，但这不是部署服务的必要条件。 打开终端并将ssh放入运行管理器节点的机器中。
- Docker引擎 | Engine服务如何运作（引擎） | How services work (Engine)
服务如何运作（引擎） | How services work (Engine)
服务如何工作 要在DockerEngine处于群集模式时部署应用程序映像，请创建一个服务。在某些更大的应用程序中，服务通常会成为微服务的图像。
- Docker撰写 | ComposeDocker堆栈和分布式应用程序包 | Docker stacks and distributed application bundles (Compose)
Docker堆栈和分布式应用程序包 | Docker stacks and distributed application bundles (Compose)
如果您刚刚开始使用Docker并希望了解部署多服务应用程序的最佳方式，那么开始的一个好地方就是入门演练。这将向您展示如何在Compose文件中定义服务配置，部署应用程序并使用相关的工具和命令。
- Docker引擎 | Engine群模式概述（引擎） | Swarm mode overview (Engine)
群模式概述（引擎） | Swarm mode overview (Engine)
使用DockerCLI创建群集，将应用程序服务部署到群集，并管理群体行为。 如果您之前使用的是Docker版本1.12.0，则可以使用独立群集，但我们建议您进行更新。
- Docker引擎: CLI | Engine: CLIdocker stack deploy
docker stack deploy
- Docker引擎: CLI | Engine: CLIdocker stack services
docker stack services
- TensorFlow开始 | Get StartedRegression Examples（回归的例子）
Regression Examples（回归的例子）
- Docker引擎 | EngineSwarm模式关键概念（引擎） | Swarm mode key concepts (Engine)
Swarm模式关键概念（引擎） | Swarm mode key concepts (Engine)
一个群是Docker引擎或集群节点，在这里部署服务。DockerEngineCLI和API包括管理群集节点（例如，添加或移除节点）以及在群集中部署和编排服务的命令。
- TensorFlow教程 | TutorialsLarge-scale Linear Models with TensorFlow（TensorFlow的大型线性模型）
Large-scale Linear Models with TensorFlow（TensorFlow的大型线性模型）
具有张量流的大规模线性模型 tf.estimatorAPI为TensorFlow中的线性模型提供了一套丰富的工具（除其他外）。本文档提供了这些工具的概述。它说明： 线性模型是什么。
- Docker引擎: CLI | Engine: CLIdocker service ps
docker service ps
- Docker引擎 | Engine引擎 | Engine
引擎 | Engine
Docker可以让您的代码尽快测试并部署到生产环境中。 Docker包含： Docker引擎-我们的轻量级和强大的开源集装箱化技术与工作流程相结合，用于构建和容器化您的应用程序。
- TensorFlow教程 | TutorialsHow to Retrain Inception's Final Layer for New Categories（如何为新类别重新训练盗梦空间的最后一层）
How to Retrain Inception's Final Layer for New Categories（如何为新类别重新训练盗梦空间的最后一层）
- TensorFlow开始 | Get StartedBuilding Input Functions with tf.estimator（使用tf.estimator建立输入函数）
Building Input Functions with tf.estimator（使用tf.estimator建立输入函数）
您将了解如何构建一个input_fn预处理模型并将数据输入到模型中。然后，您将实施一项input_fn将训练，评估和预测数据输入到神经网络回归器以预测房屋中值的中值。
- Docker引擎 | Engine应用滚动更新（引擎） | Apply rolling updates (Engine)
应用滚动更新（引擎） | Apply rolling updates (Engine)
在本教程的这一部分中，您将部署基于Redis3.0.6容器映像的服务。然后，您使用滚动更新升级服务以使用Redis3.0.7容器映像。
- TensorFlow教程 | TutorialsConvolutional Neural Networks（卷积神经网络）
Convolutional Neural Networks（卷积神经网络）
以下是由TensorBoard生成的描述推理操作的图表： [evo41g9i07.png] 练习：输出inference是非标准化的logits。
- TensorFlow教程 | TutorialsImage Recognition（图像识别）
Image Recognition（图像识别）
例如，以下是AlexNet对一些图像进行分类的结果： [图片] 为了比较模型，我们检查了模型未能预测正确答案的频率，作为他们排名前5位的猜测之一-被称为“五大错误率”。
腾讯云开发者
扫码关注腾讯云开发者
领取腾讯云代金券
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号