性能优化 有许多因素影响你的Web应用程序的性能。有些是环境,有些是你的代码,而其他一些与Yii本身有关。在本节中,我们将列举这些因素并解释如何通过调整这些因素来提高应用程序的性能。
高性能模型 本文档和附带的脚本详细介绍了如何构建针对各种系统类型和网络拓扑的高度可扩展模型。本文档中的技术利用了一些低级的TensorFlowPython基元。
性能指南 本指南包含一系列优化TensorFlow代码的最佳实践。该指南分为几个部分: 一般最佳实践涵盖了各种模型类型和硬件中常见的主题。 针对与GPU有关的GPU细节提示进行优化。
SizeOfTheSQLiteLibrary SQLite库使用的代码空间取决于目标平台,编译器和优化设置。这些变量也会影响性能。
事实上,ReactRedux尤其经过了大量优化,可以减少不必要的重新渲染,React-Reduxv5相对于早期版本显示出明显的改进。 与其他库相比,Redux可能没有那么高效。
大多数使用情况在性能(速度或减少的内存使用情况)方面都没有改进。我们早期发布了XLA,这样开源社区可以为其开发做出贡献,并为与硬件加速器集成创建一条路径。
在初期,HTTP使用单一模型来处理这种连接。这些连接是短暂的:每次请求需要发送时创建一个新连接,并在收到答复后关闭。 这个简单的模型对性能有着天生的限制:打开每个TCP连接是耗费资源的操作。
要在这个任务上实现最先进的性能,需要对一个非常大的数据集进行训练,仔细调整超参数并利用诸如子采样数据的技巧,这超出了本教程的范围。 优化实施 我们的实施展示了TensorFlow的灵活性。
cifar10_train.py定期将所有模型参数保存在检查点文件中,但不会评估模型。检查点文件将用于cifar10_eval.py测量预测性能(请参阅下面的评估模型)。
TensorFlow架构 我们为大规模分布式训练和推理设计了TensorFlow,但它也足够灵活,可以支持新机器学习模型和系统级优化的实验。 本文档描述了使这种规模和灵活性相结合的系统架构。
基准 概观 在多个平台上测试了一系列图像分类模型,为TensorFlow社区创建了参考点。Methodology部分详细说明了测试如何执行并且链接到了所使用的脚本。
对于性能测量,使用-Os选项(优化大小)而不是-O2,因为-O2选项会创建太多的代码移动,因此很难将特定的CPU指令与C源代码行相关联。
Deploy 本节重点介绍部署现实世界的模型。它包含以下文件: 分布式TensorFlow,它解释了如何创建一个TensorFlow服务器集群。
ListView DEPRECATED-使用新的列表组件之一,例如FlatList或SectionList有限的内存使用,更少的错误,更好的性能,更易于使用的API和更多功能。

扫码关注腾讯云开发者
领取腾讯云代金券
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号:粤B2-20090059
粤公网安备44030502008569号
腾讯云计算(北京)有限责任公司 京ICP证150476号 | 京ICP备11018762号
