文件名称：image-quality-assessment-webapp:Webapp通过卷积神经网络预测图像美感
文件大小：23.04MB
文件格式：ZIP
更新时间：2024-05-23 10:11:40
JavaScript
该示例旨在说明如何对经过训练的模型进行客户端预测 原因 想象一下，您创建了一个模型，该模型可以完成很多工作并为人们提供帮助。 您将此模型放在网络上，每天使用大约1000个查询，数量不多。 简单的服务器可以处理它，但是有一天，这种模型被公众发现，并且您每天开始收到10万条查询，同一台服务器可能会死掉。 因此，现在您可以扩展服务器并添加越来越多的内存，也可以尝试将预测重写到客户端。 如果您选择第二个选项，则这里有适合您的教程。 组件 后端：Flask（我知道TFJS现在支持node，但是为了进行适当的预处理，它在python中） 预处理：cv2，numpy，您想要的任何python库 前端：tensorflowjs（我在cdn的头中有一个脚本，是为python开发人员设计的，目的是不下载模块） 模型 您可以下载我的模型或训练新模型。 不要忘记将其转换为适用于TFJS的格式。 用法 只需运行ap
【文件预览】：
image-quality-assessment-webapp-master
----Dockerfile(139B)
----.gitignore(3KB)
----app.py(1KB)
----README.md(1KB)
----heroku.yml(36B)
----web_model()
--------group1-shard2of4(4MB)
--------model.json(52KB)
--------group1-shard1of4(4MB)
--------group1-shard4of4(365KB)
--------group1-shard3of4(4MB)
----static()
--------UPLOAD()
--------frontend()
--------__init__.py(0B)
----.dockerignore(317B)
----.gitattributes(33B)
----keras_model()
--------full_model_aesthetic.h5(12.6MB)
----__init__.py(0B)
----scripts()
--------full_keras_to_tfjs.sh(143B)
--------weights_keras_to_tfjs.py(829B)
----requirements.txt(536B)
----.idea()
--------vcs.xml(215B)
--------misc.xml(315B)
--------modules.xml(585B)
--------webResources.xml(435B)
--------image-quality-assessment-webapp.iml(1KB)
----templates()
--------__init__.py(0B)
--------index.html(1KB)