serving

灵活且高效的机器学习模型推理平台

TensorFlow Serving 模型部署机器学习高性能推理 Docker Github 开源项目

TensorFlow Serving 是一个为生产环境设计的灵活且高性能的机器学习模型推理系统。它管理训练后的模型生命周期，通过高效查询表提供版本化访问，支持多模型和多版本同时部署。系统支持 gRPC 和 HTTP 推理端点，允许无缝部署新版本，支持金丝雀发布和 A/B 测试，并且延迟极低。调度器将推理请求分组以在 GPU 上联合执行，支持包括 TensorFlow 模型、嵌入、词汇表和特征转换在内的多种服务对象。

访问官网

Github

介绍相关项目

Tensorflow-Project-Template - 结合了简单性、文件夹结构的最佳实践和良好的 OOP 设计的简介深度学习项目模板

GithubOOP设计Tensorflow开源项目模板深度学习项目结构

一个设计简洁的深度学习项目模板，结合了简单性、良好的文件夹结构和优秀的OOP设计，帮助开发者更快地启动主要项目，专注于核心部分（如模型和训练）。模板封装了常见功能，使得开发者仅需更改核心内容即可轻松启动新的TensorFlow项目。主要组件包括模型、训练器、数据加载器和日志记录器，提供详细的使用示例和项目架构图。

ai-on-gke - 在GKE上构建高效AI/ML工作负载平台

AI/MLGKEGithubJupyterHubKubernetesTerraform开源项目

AI on GKE项目提供在Google Kubernetes Engine上运行AI/ML工作负载的资产。项目包含基础设施编排、分布式计算和数据处理框架集成，支持多团队资源共享。通过Jupyter Hub和Ray集群部署模块，开发者可以快速搭建AI/ML环境。利用GKE功能，实现高效的大规模AI训练和服务部署。

tensorflow-federated - 隐私保护的分布式机器学习框架

GithubTensorFlow Federated分散数据开源框架开源项目机器学习联邦学习

TensorFlow Federated是一个开源框架，用于分布式数据的机器学习和计算。它提供高级和低级API，允许开发者在保护隐私的同时利用分散数据进行模型训练和评估。支持自定义联邦学习算法，包含单机模拟环境，适合研究和实验。除了预测模型训练，还可用于分布式数据的聚合分析。

tensorrtllm_backend - TensorRT-LLM后端适用于Triton的大语言模型推理引擎

GPUGithubTensorRT-LLMTriton开源项目推理服务深度学习

TensorRT-LLM Backend是Triton Inference Server的专用后端，用于部署和服务TensorRT-LLM模型。它集成了in-flight batching和paged attention等先进特性，显著提升了大语言模型的推理效率。通过简洁的接口设计，此后端使TensorRT-LLM模型能无缝集成到Triton服务中，为用户提供高性能、可扩展的AI推理解决方案。

ranking - TensorFlow平台上的学习排名技术库

GithubTensorBoardTensorFlow Ranking学习排序开源项目排序模型深度学习

TensorFlow Ranking是一个适用于学习排名（LTR）技术的开源库，基于TensorFlow平台。该库包括点对、成对和列表损失函数，以及各类排名指标如平均倒数排名（MRR）和标准折扣累积增益（NDCG）。它提供了群组评分功能和LambdaLoss的实现，用于优化排名指标。此外，它还支持从偏见反馈数据中进行无偏学习。该库旨在为学术研究和工业应用提供一个开放、便捷的平台。用户可通过教程和演示快速入门，无需复杂安装。

inferflow - 为大语言模型提供高效灵活的推理解决方案

GithubInferflow大语言模型开源项目推理引擎模型服务量化

Inferflow是一款功能强大的大语言模型推理引擎，支持多种文件格式和网络结构。它采用3.5位量化和混合并行推理等创新技术，提高了推理效率。用户通过修改配置文件即可部署新模型，无需编写代码。Inferflow支持GPU/CPU混合推理，为模型部署提供灵活选择。该项目为研究人员和开发者提供了高效易用的LLM推理工具。

BMW-TensorFlow-Training-GUI - 简化TensorFlow 2模型训练的工具

Deep LearningDockerGPUGithubTensorBoardTensorflow开源项目

此开源项目提供用户轻松开始TensorFlow 2深度学习模型训练的工具。用户仅需提供标注数据集，并通过TensorBoard监控训练过程。项目支持内置推理REST API，CUDA 11以及多GPU训练，推荐在Ubuntu 18.04和Google Chrome浏览器环境下使用。

deep-learning-containers - 高效优化的TensorFlow、PyTorch与MXNet深度学习环境

AWS Deep Learning ContainersAmazon SageMakerGithubMXNetPyTorchTensorFlow开源项目

AWS Deep Learning Containers提供预配置的Docker镜像，支持TensorFlow、PyTorch和MXNet的模型训练与服务。集成了Nvidia CUDA和Intel MKL库，优化了GPU和CPU实例性能。这些容器已在Amazon SageMaker、EC2、ECS和EKS上进行了测试和验证，确保广泛应用和稳定性能。了解更多关于兼容镜像的信息，助力高效开发与部署AI模型。

modelstore - 允许对机器学习模型进行版本控制、导出和保存到文件系统或云存储提供商Python库

Githubmodelstore多云支持开源开源项目机器学习模型管理版本控制

modelstore是一个Python库，可在本地文件系统或多种云存储（如AWS、GCP、Azure）中进行机器学习模型的版本管理、导出、保存和下载。无需跟踪服务器，支持模型域和状态管理、即时下载或内存加载，也可用作命令行工具。支持多个机器学习库，如TensorFlow、PyTorch、Scikit Learn等。详细信息请参考官方文档。

FedML - 跨平台生成式AI和大型语言模型的训练与部署方案

GithubTensorOperaTensorOpera AI分布式训练开源项目生成式AI联邦学习

TensorOpera AI简化了生成式AI和大型语言模型的训练与部署。通过集成的MLOps、调度器和高性能机器学习库，开发者可以在去中心化GPU、多云、边缘服务器和智能手机上经济高效地运行复杂的AI任务。TensorOpera Launch自动配对最经济的GPU资源，消除环境设置和管理难题，支持大规模训练和无服务器部署。TensorOpera Studio和Job Store帮助开发者微调和部署模型，实现高效的跨平台AI工作流。

相关项目

项目侧边栏1

项目侧边栏2

推荐项目

Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com

@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号