021-机器学习背后的思维-针对入门小白的概念算法及工具的朴素思考

8.1.3 TensorFlow背后的运行机制

TensorFlow 运行机制包括两个部分：

1.) a graph protocol buffer

2.) a runtime that executes the (distributed) graph

当前你可以用 Python代码（code）与 Python解释器(interpreter)来类比理解。Graph protocol buffer 存储的是模型定义的代码； 而这些代码可以在 Runtime 里被解释成机 器码，并能以分布式的形式在CPU/GPU/TPU执行。

注意，这里 Graph protocol buffer，用的是 Buffer这个单词， 而不是 Cache 这个单 词。这两个词在中文翻译中会使用「缓冲或缓存」。 这里，我们要在概念上搞清它们 背后的设计思路。

设计 Cache 思维是， 在业务逻辑中需要对一块固定的、 不常变化的数据D ata 进 行「多次反复读取」， 为了加快读取速度，减少须从一个慢速存储设备S low 中读取的 次数以及时间。 先增加一个快速存储设备Fast ， 再把数据D 从设备S 中拷贝出来放到设 备F 中。这样，拷贝结束以后，需要使用D 时， 可以从设备F 中快速读取到D 的一份拷 贝。

而 Buffer 的设计思想则与 Cache 的完全不同。 先举个类比的例子， 哥们几个加 班结束后， 下馆子吃饭，点了〸个菜。 每个人都饿得前胸贴后背了， 端上一道菜就 消灭一道，以致于厨师都跟不上做。 同样的，你的某个业务数据处理单元（P ）运行 速度飞快， 以至于你的数据输入的速度都跟不上了。 为了减少处理单元等待数据的 时间， 你在设计中增加了一个设备B uffer ， 来多存一些输入数据，然后再送给处理单 元P 。 也就相当于后厨做好一道菜先不端上， 等做好三个菜再一次端上来。 再举个例 子，建设银行的线下网点里的排队叫号机制。 大厅里的业务办理窗口少，而来办业务 的人数多。 在大厅里摆放的、让大家等候时可坐着的一排排椅子就是 Buffer。 总结一 下，Buffer是在数据输入速度与处理单元速度不匹配时使用的机制。 在实际工作中， 很多人不区分这两个概念背后的设计思路，把 Buffer 和 Cache 两个名字叫反了。这会 对小白理解系统中模块与模块之间的关系产生很大的误导。请大家特别留意。 最后， 说一下在生活中的 Buffer 和 Cache 的意思， Buffer 是逃生用的气垫，Cache 是隐匿的 贮藏地。

下面是一个简短的安装，你也可在官网上找到更详细的资料。

1.) 安装python3系统软件：python3

2.) 安装python3软件包下载及管理软件：pip3

3.) 安装python3开发环境管理软件(使用清华大学服务器加速)：virtualenv

pip3 config set global.index−url https://pypi.tuna.tsinghua.edu.cn/simple

sudo pip3 install virtualenv

4.) 创建开发环境及所在目录mlenv, 并激活此目录

virtualenv −−system−site−packages −p python3 ~/Desktop/mlenv

source ~/Desktop/mlenv/bin/activate

5.) 在环境mlenv中安装tensorflow的CPU版本

(mlenv):pip3 install tensorflow==1.14

6.) 在环境mlenv中，安装例如pandas, numpy等相关的软件包

(mlenv):pip3 install jupyter matplotlib pandas numpy

7.) 在环境mlenv中，增加jupyter环境解释器，并启动jupyter前端页面服务

(mlenv):python3 −m ipykernel install −−user −−name=mlenv

(mlenv):jupyter notebook

8.) 退出开发环境mlenv

(mlenv):deactivate

022-机器学习背后的思维-针对入门小白的概念算法及工具的朴素思考