塞班岛娱乐-业界公认的最权威网站,欢迎光临!

塞班岛娱乐_塞班岛娱乐平台_塞班岛娱乐官网

机器学习教程分布式TensorFlow简介

时间:2018-04-11 23:21来源:幸福ing 作者:生命的绿 点击:
也请继续关注我和我们后续的文章。 并且编写灵活的服务端和客户端应用。机器。 而在搭建过程中,大家都能亲自实现分布式TensorFlow集群,架构可以参见官方文档的tasks图。听听机器

也请继续关注我和我们后续的文章。

并且编写灵活的服务端和客户端应用。机器。

而在搭建过程中,大家都能亲自实现分布式TensorFlow集群,架构可以参见官方文档的tasks图。听听机器学习教程。

最后总结希望通过这个完整的使用教程,机器学习教程。只是job名不同,而ps其实是和我们定义的worker一样,官方推荐使用ps服务器存储Variables,学习机器学习教程。客户端也可以通过”tf.device”来动态指定CPU和GPU计算资源。在生产环境下,通过clusterspec我们还可以定义更灵活的集群,同时指定了第一个worker的CPU来执行梯度下降的算法,机器学习教程。最终结果相当接近2和10,如果梯度下降算法正确的话最终w和b的输出应该也接近2和10。

如我们所料,其中斜率是2、截距是10,学习机器学习教程。就是构造写线性数据,连接这两个targe即可。

实现TensorFlow客户端Client的代码我们写得稍微复杂些,接下来可以单独写客户端应用,听说机器学习教程。为了避免端口被容器隔离我们可以使用原来的Docker容器。

可以看到worker1和worker2分别监听本地的2222和2223端口,因为index变了不能与前面的冲突,注意代码上稍有区别,教程。我们编写worker2.py启动第二个worker,而worker可以是本地不同端口的两个进程或者多台服务器上的进程。看看机器学习教程。

server.join()

server =tf.train.Server(cluster_spec, job_name=”worker”,task_index=1)

cluster_spec = tf.train.ClusterSpec({“worker”:worker_hosts})

worker_hosts = [worker1, worker2]

worker2 =“10.235.114.12:2223”

worker1 =“10.235.114.12:2222”

importtensorflow as tf

为了模拟分布式环境,对于机器学习教程分布式TensorFlow简介。实际上有没有都可以,官方文档中还定义了名为“ps”的job,其中job名都是“worker”,事实上tensorflow。最简单的服务端代码如下worker1.py。

这里我们定义了两个worker,只要用几行代码分别实现服务端和客户端即可,我们并不需要一个通用的程序,分布式。因此很多人尝试修改那段代码还是跑不起来。

server.join()

server = tf.train.Server(cluster_spec, job_name=”worker”,task_index=0)

cluster_spec = tf.train.ClusterSpec({“worker”:worker_hosts})

worker_hosts = [worker1, worker2]

worker2 =“10.235.114.12:2223”

worker1 =“10.235.114.12:2222”

importtensorflow as tf

其实分布式TensorFlow使用非常简单,而且提供的代码片段只能在0.9中运行,机器学习教程。主要原因是官方文档没有提供完整的例子,想把分布式TensorFlow运行起来却十分困难,例如可以很容易试用最新的RC版本。机器学习教程。

实现TensorFlow服务端很多开发者读过TensorFlow官方的DistributedGuide,看着机器学习教程。还可以管理不同版本的环境,机器学习教程分布式TensorFlow简介。只需一行命令。对于机器学习教程。

sudo docker run -it tensorflow/tensorflow:r0.9rc0 bash

Docker除了实现资源隔离,听听简介。通过容器使用TensorFlow环境更加简单,使用以前版本需要重新合Patch和打包。对比一下机器学习教程。

sudo docker run -it tensorflow/tensorflow bash

使用TensorFlow容器如果本地已安装Docker,注意0.8版本以前的TensorFlow不支持分布式,我们将启动两个worker并使用单独的客户端进程。对于机器学习教程。

python -c“import tensorflow;print(tensorflow.__version__)”

确认TensorFlow版本首先我们需要安装和确认TensorFlow的版本,但为了简化代码让大家更好理解分布式架构,学习。服务端和客户端可以写到同一个Python文件并起在同一个进程,听听机器学习教程。在某些场景下, 分布式TensorFlow集群由多个服务端进程和客户端进程组成,我们可以动手搭建一个真正的分布式TensorFlow集群。

(责任编辑:admin)
顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------
发表评论
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。
评价:
表情:
用户名: 验证码:点击我更换图片
最新评论 进入详细评论页>>
推荐内容