小编Xin*_*ong的帖子

通常我们会jupyter notebook在浏览器中弹出一个页面来使用笔记本.但是,打开服务器的终端仍然存在.有没有办法我们可以关闭该终端,服务器在后面运行？

我试图使2转换层共享相同的权重,但是,似乎API不起作用.

import tensorflow as tf

x = tf.random_normal(shape=[10, 32, 32, 3])

with tf.variable_scope('foo') as scope:
    conv1 = tf.contrib.layers.conv2d(x, 3, [2, 2], padding='SAME', reuse=True, scope=scope)
    print(conv1.name)

    conv2 = tf.contrib.layers.conv2d(x, 3, [2, 2], padding='SAME', reuse=True, scope=scope)
    print(conv2.name)

打印出来

foo/foo/Relu:0
foo/foo_1/Relu:0

从改变tf.contrib.layers.conv2d到tf.layers.conv2d不解决问题.

它有同样的问题tf.layers.conv2d:

import tensorflow as tf

x = tf.random_normal(shape=[10, 32, 32, 3])

conv1 = tf.layers.conv2d(x, 3, [2, 2], padding='SAME', reuse=None, name='conv')
print(conv1.name)
conv2 = tf.layers.conv2d(x, 3, [2, 2], padding='SAME', reuse=True, name='conv')
print(conv2.name)

给

conv/BiasAdd:0
conv_2/BiasAdd:0

在 Jupyterlab 中，有一个文本编辑器可以打开.py文件，是否也可以像在 Notebook 中一样打开选项卡完成功能？

我正在编写一个机器学习工具包来并行运行具有不同设置的算法（每个进程运行一个设置的算法）。我正在考虑使用 mpi4py 或 python 的内置多处理？

我正在考虑一些优点和缺点。

1. 便于使用：

   • mpi4py：似乎有更多的概念需要学习，还有更多的技巧可以让它运行良好
   • 多处理：非常简单和干净的 API

2. 速度：

   • mpi4py：人们说它的级别更低，所以我希望它比 python 多处理更快？
   • 多处理：与mpi4py相比，慢得多？

3. 干净和简短的代码：

   • mpi4py：似乎要编写更多代码
   • 多处理：首选，易于使用的 API

工作环境是我的目标是基本上在一台计算机或 GPU 服务器上运行代码。并不是真正针对在网络中的不同机器上运行（只有 MPI 可以做到）。

由于主要目标是进行机器学习，因此并行化并不是真的需要非常优化，我想要的关键目标是平衡简单、干净和快速维护代码库，但同时喜欢利用并行化的好处。

有了上述背景，是否建议使用多处理就足够了？或者是否有充分的理由使用 mpi4py ？