06｜动手环境部署：AI视觉模型基础运行环境
柳博文
你好，欢迎和我一起学习前端工程师的 AI 实战课。
通过前几节课的学习，我们了解了 AI 和计算机视觉的方向和模型，特别是深度学习中的卷积神经网络和目标检测。目标检测是一个应用方向，而卷积神经网络是实现它的方法之一。
同时，通过学习 AI 相关的数学知识，我们掌握了 AI 模型的运行方式和原理。接下来，我们将配置 AI 模型的基础运行环境。
因为我们是前端工程师，那么 JavaScript 自然是我们的首选。所以，我们会先进行以 JS 为基础编程语言的环境配置。
其次，AI 的发展是离不开 Python 的支持的。所以，这节课也会讲解如何基于 Python 来搭建和配置基础环境。
JavaScript 和 Python 作为动态脚本语言在语言层面上并无差别，但 Python 的 AI 生态环境十分强大，里面既有 TensorFlow、PyTorch 等十分受欢迎的深度学习框架，还包含 Numpy 等进行大维度数组和矩阵运算的库。而 JavaScript 运行环境在浏览器和 NodeJS 中，也拥有 TensorFlow 的 JS 和 NodeJS 版本，但受限于浏览器和 NodeJS 运行时的运算效率以及 GPU 的调用能力。
所以 Python 更加合适进行需要大量计算的离线模型训练，而 JavaScript 更加适合运行时的模型预测。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
1. JavaScript和Python是常用的编程语言，分别适用于前端应用中的实时AI功能和AI和机器学习项目。 2. TensorFlow.js和Brain.js可用于JavaScript环境搭建，实现机器学习模型的训练和运行。 3. Python具有简单直观的语法和强大的库和框架支持，如TensorFlow、PyTorch和Pandas，适用于深度学习开发环境。 4. TensorFlow和PyTorch是常用的深度学习框架，NumPy和Pandas则是在深度学习中频繁使用的库，为数据处理和分析提供便利。 5. 配置基于Python的深度学习开发环境需要考虑操作系统和硬件配置，如在Windows电脑上配置YOLOv5环境需要具备GPU支持。 6. YOLOv5是一个流行的轻量级目标检测模型，适用于多种计算机视觉任务，配置环境的步骤并不复杂，适合在具有GPU支持的Windows电脑上进行体验。 7. Anaconda是一个开源的包管理和环境管理系统，支持多种编程语言，具有环境隔离、依赖管理、跨平台支持和GPU支持等优点。 8. 在进行模型训练时，使用Python完成会更合适，在应用层面再使用JavaScript调用。 9. JavaScript在AI深度学习方面的社区环境没有Python完善与活跃，在遇到问题的时候也无法快速地找到有效的答案。 10. 以Python为基础编程语言的环境，无论是社区生态、计算性能还是框架库的支持都更有优势，因此使用它来完成模型的大规模训练计算更为合适。
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《前端工程师的 AI 实战课》，新⼈⾸单¥59
《前端工程师的 AI 实战课》，新⼈⾸单¥59
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论