percent4 / tensorflow_serving_examplesLinks
利用tensorflow/serving进行单模型、多模型、同一模型多版本的部署，并进行模型预测，并用Prothemus进行服务监控。
☆12Updated 4 years ago
Alternatives and similar repositories for tensorflow_serving_examples
Users that are interested in tensorflow_serving_examples are comparing it to the libraries listed below
Sorting:
- ml模型分布式服务部署：grpc，flask；docker☆76Updated 4 years ago
- A tutorial of building tensorflow serving service from scratch☆89Updated 2 years ago
- 一个基于 fasttext + faiss 的商品内容相关推荐实现，nginx+uwsgi+flask / gunicorn+uvicorn+fastapi 提供api查询接口，增加Spark实现 Ansj+Word2vec+LSH+Phoenix☆52Updated last year
- LSTM，TextCNN，fastText情感分析，模型用 tf_serving 和 flask 部署成web应用☆43Updated 5 years ago
- 讯飞移动广告反欺诈算法竞赛☆33Updated 5 years ago
- Using tensorflow/serving to deploy kashgari model for time training and predicting.☆13Updated 5 years ago
- 学习tensorflow☆34Updated 4 years ago
- 记录☆19Updated last month
- 使用tensorflow.keras实现《动手学深度学习》☆10Updated 5 years ago
- 科技金融应用：欺诈风险识别☆16Updated 2 years ago
- 🏅 2021 字节跳动安全 AI 挑战赛赛道 7th 基于文本和多模态数据的风险识别（色情导流用户识别）☆22Updated 3 years ago
- 基于 TensorFlow & PaddlePaddle 的通用序列标注算法库（目前包含 BiLSTM+CRF, Stacked-BiLSTM+CRF 和 IDCNN+CRF，更多算法正在持续添加中）实现中文分词（Tokenizer / segmentation）、词性标注…☆85Updated 2 years ago
- Bert TensorRT模型加速部署☆10Updated 3 years ago
- 短视频内容理解与推荐竞赛☆11Updated 6 years ago
- 纯c++的全平台llm加速库，支持python调用，支持baichuan, glm, llama, moss基座，手机端流畅运行chatglm-6B级模型单卡可达10000+token / s，☆45Updated last year
- TensorRT☆11Updated 4 years ago
- 使用BERT模型用于二分类任务☆38Updated 5 years ago
- 纯Python实现的深度学习框架，帮助你理解底层细节斩获offer☆20Updated 2 years ago
- 一个完整bert训练到部署的案例☆23Updated 5 years ago
- lightweighted deep learning inference service framework☆40Updated 4 years ago
- 比赛开源汇总☆81Updated 6 years ago
- ECAA首届电子商务AI算法大赛☆11Updated 3 years ago
- 2020年第八届泰迪杯数据挖掘C题“智慧政务文本挖掘”特等奖作品（论文与代码）☆67Updated 4 years ago
- “达观杯”NLP算法挑战赛 竞赛成绩：排名前1%（29/2885）☆17Updated 6 years ago
- 用PaddlePaddle实现的真实案例和有趣应用☆25Updated 6 years ago
- FP-growth codes in "Machine Learning in Action"☆52Updated 7 years ago
- WSDM2022留存预测挑战赛 第1名解决方案☆96Updated 3 years ago
- 本项目由三个模块构成。意图识别：判断用户的意图是业务型还是闲聊型；模型检索：该部分构建一个语料库，当用户 发起新的query（通过意图识别判断为业务型对话）时，为用户匹配query检索的最佳response，使用HSWN进行召回（粗排）， 然后构建句子的相似度，并利用Lig…☆11Updated 4 years ago
- 人人都能看懂的轻量级解决方案☆16Updated 5 years ago
- ☆15Updated 4 years ago