90 条“大模型算力优化-5” 相关内容
- SQLite其他 | MiscellaneousSQLite Library Footprint
SQLite Library Footprint
一般意见： Clang/LLVM编译器与GCC没有竞争力。Clang生成的二进制文件比GCC生成的二进制文件始终更大更慢。 配置文件引导优化(PGO)对SQLite没有帮助。
- TensorFlow教程 | TutorialsRecurrent Neural Networks（复发性神经网络）
Recurrent Neural Networks（复发性神经网络）
- TensorFlow表现 | PerformancePerformance Guide（性能指南）
Performance Guide（性能指南）
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。
- TensorFlow开始 | Get StartedDeep MNIST for Experts（针对专家的深度MNIST）
Deep MNIST for Experts（针对专家的深度MNIST）
- TensorFlow教程 | TutorialsVector Representations of Words（字词的向量表示）
Vector Representations of Words（字词的向量表示）
目标函数是在整个数据集上定义的，但我们通常使用一个示例（或通常在示例的'minibatch'中）通过随机梯度下降（SGD）对其进行优化。所以我们来看看这个过程的一个步骤。
- TensorFlow教程 | TutorialsImproving Linear Models Using Explicit Kernel Methods（使用显式内核方法改进线性模型）
Improving Linear Models Using Explicit Kernel Methods（使用显式内核方法改进线性模型）
- TensorFlow扩展 | ExtendTensorFlow Architecture（TensorFlow架构）
TensorFlow Architecture（TensorFlow架构）
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。
- TensorFlow表现 | PerformanceBenchmarks（基准）
Benchmarks（基准）
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。
- TensorFlow扩展 | ExtendCreating Estimators in tf.estimator（在tf.estimato创建自定义估算器）
Creating Estimators in tf.estimator（在tf.estimato创建自定义估算器）
也许您需要对模型配置进行更精细的控制，例如定制用于优化的损失函数的能力，或为每个神经网络层指定不同的激活函数。或者，也许你正在实施排名或推荐系统，分类器和回归器都不适用于产生预测。
- TensorFlow开始 | Get StartedMNIST For ML Beginners（ML的初学者MNIST 教程）
MNIST For ML Beginners（ML的初学者MNIST 教程）
例如，上述图像的标签是5,0,4和1。 在本教程中，我们将训练一个模型来查看图像并预测它们的位数。我们的目标不是培养一个真正精心设计的模型来实现最先进的性能（尽管我们会在稍后为您提供代码！）
- Vue.js指南 | Guide30. Comparison with Other Frameworks（比较与其他框架）
30. Comparison with Other Frameworks（比较与其他框架）
- TensorFlow教程 | TutorialsHow to Retrain Inception's Final Layer for New Categories（如何为新类别重新训练盗梦空间的最后一层）
How to Retrain Inception's Final Layer for New Categories（如何为新类别重新训练盗梦空间的最后一层）
- CC 语法volatile type qualifier
volatile type qualifier
这意味着在单个执行线程中，相对于由易失性访问序列点分隔的另一个可见副作用，无法优化或重新排序易失性访问。 将非易失性值转换为易失性类型不起作用。
- TensorFlow教程 | TutorialsTensorFlow Linear Model Tutorial（TensorFlow线性模型教程）
TensorFlow Linear Model Tutorial（TensorFlow线性模型教程）
- TensorFlow教程 | TutorialsA Guide to TF Layers: Building a Convolutional Neural Network（TF层指南:构建卷积神经网络）
A Guide to TF Layers: Building a Convolutional Neural Network（TF层指南:构建卷积神经网络）
- TensorFlow教程 | TutorialsImage Recognition（图像识别）
Image Recognition（图像识别）
例如，以下是AlexNet对一些图像进行分类的结果： [图片] 为了比较模型，我们检查了模型未能预测正确答案的频率，作为他们排名前5位的猜测之一-被称为“五大错误率”。
- ReduxFAQRedux FAQ：性能（Performance）
Redux FAQ：性能（Performance）
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。
- TensorFlow教程 | TutorialsSimple Audio Recognition（简单的音频识别）
Simple Audio Recognition（简单的音频识别）
- TensorFlow指南 | GuideVariables（变量）
Variables（变量）
此名称将被其他副本用于访问相同变量，以及在检查点和导出模型时命名此变量的值。tf.get_variable还允许您重复使用先前创建的同名变量，从而轻松定义重复使用图层的模型。
腾讯云开发者
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