小编eri*_*yue的帖子

我需要在Android 2.2(Froyo)中创建一个API调用来创建一个Wifi热点(如Tethering和Portable Hotspot设置项中所示).

我的训练过程使用tfrecord格式表示训练和评估数据集.

我测试了阅读器的基准,只有8000记录/秒.和io速度(参见iotop命令)只需400KB-500KB/s.

我在这里使用protobuf的cpp版本

https://github.com/tensorflow/tensorflow/blob/master/tensorflow/g3doc/get_started/os_setup.md#protobuf-library-related-issues

如果可能的话,提供一个可重复性最小的示例(我们通常没有时间阅读数百行代码)

def read_and_decode(filename_queue):
     reader = tf.TFRecordReader()
    _, serialized_example = reader.read(filename_queue)
    return serialized_example
  serialized_example = read_and_decode(filename_queue)
  batch_serialized_example = tf.train.shuffle_batch(
      [serialized_example],
      batch_size=batch_size,
      num_threads=thread_number,
      capacity=capacity,
      min_after_dequeue=min_after_dequeue)
  features = tf.parse_example(
      batch_serialized_example,
      features={
          "label": tf.FixedLenFeature([], tf.float32),
          "ids": tf.VarLenFeature(tf.int64),
          "values": tf.VarLenFeature(tf.float32),
      })

您尝试了哪些其他尝试的解决方案？

我尝试在tf.train.shuffle_batch中设置num_threads但不起作用.

似乎当设置为2个线程时,它工作在8000records/s,当放大线程数时,它会变慢.(我删除所有花费cpus的操作.只需读取数据.)

我的服务器是24核心cpu.

我只是想创建一个像这样的UITextView(不是两个textviews,空白区域是一个uiimage)

我对tensorflow中的分布式训练过程感到困惑.

我认为tensorflow将一个batch_size数据提供给一个worker,然后worker更新ps服务器,这是对的吗？

但是在训练时,我注意到日志中的步骤编号可能很奇怪.

如果我只有2名工人,我认为正确的过程应该是这样的

[worker1] step 0 xxxxxxx
[worker2] step 100 xxxxxxx
[worker1] step 200 xxxxxxx
[worker2] step 300 xxxxxxx

.....每个工人都应该打印不同的步骤进行记录.

实际上,日志如下:

[worker1] step 0 xxxxxxx
[worker2] step 100 xxxxxxx
[worker1] step 100 xxxxxxx
[worker2] step 200 xxxxxxx
[worker1] step 300 xxxxxxx

...为什么worker1不打印步骤200？

我对工作分配感到困惑.

张量流如何进行分配培训？首席工作人员将数据拆分为batch_size,然后将批处理提供给工人然后更新ps服务器？或者,每个工作人员都将运行整个数据,并更新ps服务器？

如果可能的话,提供一个可重复性最小的示例(我们通常没有时间阅读数百行代码)

```

with tf.device(tf.train.replica_device_setter(
        worker_device="/job:worker/task:%d" % FLAGS.task_index,
        cluster=cluster)):
    # Read TFRecords files for training
    filename_queue = tf.train.string_input_producer(
        tf.train.match_filenames_once(FLAGS.train),
        num_epochs=epoch_number)
    serialized_example = read_and_decode(filename_queue)
    batch_serialized_example = tf.train.shuffle_batch(
        [serialized_example],
        batch_size=batch_size,
        num_threads=thread_number,
        capacity=capacity,
        min_after_dequeue=min_after_dequeue)
    features = tf.parse_example(
        batch_serialized_example,
        features={ …

成像我有许多服务器都运行mysql或mongodb或redis数据库,服务器在不同的地方.我想保持服务器的数据完全相同.

例如:

server A,B,C,D,E 
1> insert items to A, auto update B,C,D,E
2> insert items to B, auto update A,C,D,E
3> delete ...