本文介绍了TensorFlow的架构，包括client、master、worker的角色，以及单机和分布式模式。TensorFlow的worker能管理多个设备，设备命名包含硬件类别、编号和任务号。此外，文章还阐述了TensorFlow的tensor类型、设备内存管理、节点执行策略和计算图的子图划分，以及数据通信优化策略。
第三天的学习内容（6-9）：
1.Tensor Flow 通过组件client（客户端）->与master和多个worker相连，而每个worker可以和多个硬件设备相连（如CPU和GPU）并负责管理硬件，同时master负责指导所有的worker按流程执行计算图。
2、TensorFlow有单机模式和分布式模式，单机是指client、master、worker都在一台机器上的同一个进程当中，而分布式的版本允许client、master、worker在不同机器的不同进程中，由集群调度系统统一管理各项任务。
3.TensorFlow中的一个worker可以管理多个设备，每一个设备的name包括硬件类别、编号、任务号（单机版本没有）
例如：单机：/job:localhost/device:cpu:0
分布式模式：/job:worker/task:17/device:gpu:3
4.Tensor Flow为CPU和GPU提供了管理设备的对象接口，每一个对象负责分配、释放设备的内存，以及执行节点的运算核（懵）。
5.Tensor Flow中的tensor是多位数组，支持8-64位的int，IEEE标准的float、double和复数型，以及任意的字符串
最低0.47元/天 解锁文章
扫一扫
800
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
