本文详细介绍了TensorFlow的其他特性，包括TensorFlow Serving——一种用于生产环境的高灵活性模型服务系统，TensorFlow Fold——支持动态计算图以优化处理不同结构数据的训练过程，以及TensorFlow在CPU、TPU和FPGA上的加速方法。通过CPU的高级指令集、FPGA的硬件可编程性和TPU的专业集成芯片，提升模型的运行效率。
第20章 TensorFlow的其他特性
随着TensorFlow的版本不断迭代，目前它已经有很多新特性。除了第15章和第16章介绍的XLA和Debugger外，还有一个非常好的生产系统使用模型服务系统——TensorFlow Serving，以及支持动态图计算的TensorFlow Fold。此外，还有一些基于硬件的优化方法也是目前人工智能发展的趋势。本章就来介绍一下这些内容。
20.1 TensorFlow Serving[1]
TensorFlow Serving是专为生产环境设计的一种灵活、高性能的机器学习模型服务系统。它非常适合基于实际情况的数据大规模地运行，会产生多个模型的训练过程。
TensorFlow Serving可以用于开发过程和生产过程，有以下两个主要作用。
（1）对模型的生命周期进行管理。一个模型一般是先数据训练，然后逐步产生初步的模型，随后优化模型。图20-1所示为持续的模型训练流。
图20-1
（2）当模型采用多重算法进行试验时，对生成的模型进行管理。当客户端（Client）向TensorFlow S
订阅专栏 解锁全文
194
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
