小编nt8*_*t86的帖子

我正在尝试在 python 中进行强化学习。我使用的是 Tensorflow 2.1，我的机器有多个 GPU（带有 CUDA 10.2 驱动程序 440.59）。我正在使用 tf.device() 在我的 GPU 上分配操作。我没有使用 tf.distribute.Strategy。我正在构建我的模型：

    with tf.device(USE_GPU):
        model = build_keras_Seq()

其中 build_keras_Seq() 使用功能 AP 创建模型：

    model = tf.keras.Model(inputs=inputs, outputs=outputs)

我所有的输入都是与我的模型在同一 GPU 上分配的张量。

    with tf.device(USE_GPU):
        self.images_gpu = tf.zeros(shape=(1,IMG_HEIGHT,IMG_WIDTH), dtype=tf.int16) # (165, 160, 1)
        self.actions_gpu = tf.zeros(shape=(1,), dtype=tf.int16)
        self.rewards_gpu = tf.zeros(shape=(1,), dtype=tf.int16)
        self.dones_gpu = tf.zeros(shape=(1,), dtype=tf.int16)

我的目标是由 @tf.function 计算的，它实现了预期的 SARSA 并在 GPU 上返回一个张量：

    target_train is on device:  /job:localhost/replica:0/task:0/device:GPU:1

当我调用model.fit时，似乎在CPU上执行了很多操作（见下文）导致性能不佳。我的理解是张量在被发送到 GPU 之前被移回 CPU。关于如何防止这种行为并将张量直接从 GPU 馈送到同一 GPU 上托管的模型的任何想法？

2020-02-23 09:49:32.100259: I tensorflow/core/common_runtime/eager/execute.cc:573] Executing op …

我将现有库从 .Net Framework 4.7.2 移植到 .Net Standard 2.0，以使其跨平台，但仍保留与 .Net Framework 应用程序的兼容性。

我不明白如何避免非跨平台依赖关系。

我的库使用动态类型和Settings.Designer.cs。

为了在 .Net Standard 中支持它，我必须添加对NuGet包的引用，这反过来又添加了对其他一些包（如 ）的依赖项，即使我不使用任何与安全相关的代码。Microsoft.CSharpSystem.Configuration.ConfigurationManagerSystem.Security.Principal.Windows

最后两个显然是Microsoft.Windows.Compatibility包的一部分。

1. 如何查明这些依赖项是否跨平台（即 Windows 平台扩展的一部分）？

当我转到.NET API 浏览器时，我看到它Microsoft.Csharp不在 .Net Standard 2.0 中，但它在 .Net Platform Extensions 2.1 及更高版本中。这是否意味着这个包不是跨平台的？是否有其他服务可以检查 NuGet 包的平台支持？

2. 当我在 .Net Core 2.1 上使用我的库创建一个简单的测试应用程序并将其发布到 Linux 平台时dotnet publish -c Release --self-contained true --runtime linux-x64，该应用程序实际上在 Linux 计算机上运行良好。这是否意味着我的库是完全跨平台的，我可以在生产中安全地使用它，或者我System.PlatformNotSupportedException将来可能仍然会在 Linux 上遇到？