1、TF服务指的是TensorFlow服务。_ensorFlow模型在开发环境中经过训练和验证，发布之后进行托管供软件工程师使用，以集成到各种应用中，此种高表现服务器，称作TF服务。_F服务要在生产中提供TensorFlow模型，在离线训练后进行保存，保存时包含元图和检查点文件，供生产环境使用。
1、首先，找到服务器上 tensorboard 的可视化文件。通常，文件名为 events.out.tfevents.127487xxxxxxxxxx，位于像 xx/xx/summary/ 这样的目录下。在该目录的上层运行 tensorboard，成功后会显示出一个本地地址 http：//localhost：6006，这是 tensorboard 服务运行的本地端口。
2、通过搜索找到mmcv-full的项目地址，找到对应版本5的安装指令，但安装过程中遇到了错误，提示未找到cl编译器。在Visual Studio 2019中找到Visual C++的编译器，将其目录添加到环境变量中。在运行安装指令时，将stdout和stderr重定向到文件中，查看错误信息。
1、在进行TensorFlow环境搭建时，需要额外安装tfplugin和TF Adapter，参考官方文档完成。在MindStudio中，通过创建项目、配置远程Python解释器、上传代码至服务器，实现模型开发的全流程。
2、开发流程主要包括：首先，使用诸如Caffe、MXNet、PyTorch或TensorFlow等框架进行模型的离线训练，瑞芯微支持多种前端模型格式。接着，利用瑞芯微提供的量化工具链将模型转换，需注意选择runtime-sdk支持的op-sets以确保兼容性。模型转换过程中可能遇到问题，需要根据日志进行调试，必要时回退到模型构建阶段。
3、**[TensorFlow]（https：//）**： 强大的Google出品，适用于各类任务，其跨平台支持和丰富的模型库简化了开发流程。 **[Keras]（https：//keras.io/）**： 专为深度学习设计，Uber和Netflix等企业青睐其高效和扩展性。
4、买个开发板 按照开发板上的例子玩玩，ARM汇编稍微能看懂，写点简单的程序跑跑，对汇编有个大概的了解，bootloader等等会多少涉及点汇编的东西 然后就是开发板上的一些驱动玩玩。
5、为什么选择学python？据统计零基础或非专业的人士学python的比较多，据HackerRank开发者调查报告2018年5月显示（见图），Python排名第一，成为最受欢迎编程语言。