开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

Tensorflow似乎正在使用系统内存而不是图形处理器，并且程序在global_variable_inititializer()之后停止。

TensorFlow是一个开源的机器学习框架，它可以在各种硬件设备上运行，包括图形处理器（GPU）和中央处理器（CPU）。当TensorFlow在使用系统内存而不是GPU时，可能是由于以下几个原因：

驱动程序问题：首先，确保您的GPU驱动程序已正确安装并且是最新版本。可以访问GPU制造商的官方网站，如NVIDIA或AMD，以获取最新的驱动程序。
CUDA和cuDNN版本不匹配：TensorFlow依赖于CUDA和cuDNN来加速GPU计算。确保您安装的CUDA和cuDNN版本与您使用的TensorFlow版本兼容。您可以在TensorFlow官方网站上找到版本兼容性的详细信息。
TensorFlow配置问题：检查您的TensorFlow配置，确保已正确设置使用GPU进行计算。您可以在TensorFlow官方文档中找到有关如何配置GPU支持的详细说明。
内存不足：如果您的模型或数据集过大，可能会导致系统内存不足，从而导致TensorFlow使用系统内存而不是GPU。在这种情况下，您可以尝试减小模型的规模或使用更小的数据集。

关于程序在global_variable_inititializer()之后停止的问题，可能是由于以下原因：

代码逻辑错误：检查您的代码，确保在调用global_variable_inititializer()之后没有其他错误导致程序停止。可以使用调试工具来逐步执行代码并查找问题所在。
数据加载问题：如果您的程序在global_variable_inititializer()之后停止，可能是由于数据加载失败或数据格式不正确。确保您的数据加载代码正确，并且数据格式与模型的期望格式匹配。
训练参数设置问题：检查您的训练参数设置，例如学习率、批量大小等。不正确的参数设置可能导致训练过程停止或无法收敛。

总之，要解决TensorFlow使用系统内存而不是GPU以及程序在global_variable_inititializer()之后停止的问题，需要仔细检查硬件、驱动程序、配置、代码逻辑和数据加载等方面的问题，并进行逐步调试和排除。如果问题仍然存在，您可以参考TensorFlow官方文档、社区论坛或寻求专业人士的帮助来解决问题。

腾讯云相关产品和产品介绍链接地址：

腾讯云机器学习平台（https://cloud.tencent.com/product/tensorflow）
腾讯云GPU服务器（https://cloud.tencent.com/product/cvm_gpu）
腾讯云AI引擎（https://cloud.tencent.com/product/tia）
腾讯云数据集市（https://cloud.tencent.com/product/dataset）
腾讯云容器服务（https://cloud.tencent.com/product/tke）
腾讯云对象存储（https://cloud.tencent.com/product/cos）
腾讯云区块链服务（https://cloud.tencent.com/product/bcs）
腾讯云物联网平台（https://cloud.tencent.com/product/iotexplorer）
腾讯云移动开发平台（https://cloud.tencent.com/product/mpe）
腾讯云云服务器（https://cloud.tencent.com/product/cvm）
腾讯云云数据库（https://cloud.tencent.com/product/cdb）
腾讯云云原生应用引擎（https://cloud.tencent.com/product/tke）
腾讯云音视频处理（https://cloud.tencent.com/product/mps）
腾讯云网络安全（https://cloud.tencent.com/product/ddos）
腾讯云云存储（https://cloud.tencent.com/product/cos）
腾讯云元宇宙（https://cloud.tencent.com/product/uc）

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

深度学习落地移动端——Q音探歌实践(一)

实际使用时，有限的内存传输带宽进一步限制了GPU性能。与高性能离散GPU不同，移动设备上没有专用的高带宽内存传输通道，在移动端中，移动CPU和GPU通常共享同一内存控制器，争夺稀缺的内存带宽。...3.移动端协处理器编程研究可编程性是使用移动端协处理器的主要障碍，要想使用移动端GPU执行神经网络算法，Android上编程的主要API是OpenCL，OpenGL ES和Vulkan，而IOS上主要是...3.1 OpenCL OpenCL旨在使应用程序能够在可编程的协处理器上运行。因此，OpenCL不提供特定于图形的功能，例如3D渲染。...但是，尽管大多数Android设备附带了OpenCL驱动程序，但OpenCL并未正式成为Android系统的一部分，并且它未通过与OpenGL ES和Vulkan相同的单元测试。...可以看到在iOS上，使用Metal是主流，包括Tensorflow-Lite和Pytorch Mobile都使用了这种方案。而Android端的选择则要复杂的多。

1.6K2 0

柯洁中盘再败！谷歌乘AlphaGo之势强推TPU，与英伟达必有一战

谷歌已经开始向中国市场上的企业和开发者兜售自己的TPU，加上TensorFlow和谷歌云等标志性业务。这对在深度学习上获利丰厚的英伟达来说可能并不是一件好事。...此外，谷歌的超级计算机的设计仅支持谷歌自己的开源 TensorFlow 机器学习框架和生态系统，而 Saturn V 可适用于所有类型的软件。...而且只能在使用TensorFlow的项目中使用，甚至只有在公共云基础设施中运行应用程序的项目才能有安全性、业务和监管方面的意义，因为谷歌对于做给其竞争对手的商业芯片供应商并不感兴趣。...当然，TensorFlow本身也可以受益。它已经是许多机器学习应用程序团队使用的首选框架。TensorFlow Research Cloud旨在推动整个行业采用TensorFlow。...正如前文所说，谷歌已形成以AI战略为中心的完整平台，并且在将这个平台逐步推向企业、开发者和个人用户。在AI领域，谷歌正在打造真正的帝国。

8127 0

深度 | 英特尔刚刚推出的深度学习处理器 Knights Mil 强在哪里

英特尔最终的目标是让Xeon Phi处理器表现得更好，这能降低大型复杂数据集的训练时间。同时，Knights Mill的内存也有所改变，英特尔称其是“灵活、高容量的内存”。...本周，英特尔在图形处理技术上取得了一些进展，称其即将推出的Kaby Lake PC芯片将集成支持4K的图形处理器。对于AI，英特尔性能最高的芯片是Xeon Phi，这是从Larrabee的衍生而来。...随着人工智能不再从明确的程序设计中产生，工程师们正在着力构建自主发展的系统，如深度学习——一种从生物系统建模的人工智能技术。各大公司正依赖于深度学习神经网络——模拟大脑神经元处理信息的算法。...也就是说，芯片继续在缩小，但是却开始漏电和过热。这就迫使芯片制造商制造多核CPU，而不是继续缩小芯片尺寸。这种芯片热积聚问题正是像Nervana System这样的芯片设计公司承诺要解决的问题。...用户的注意力已经开始捕捉下一波浪潮而变化，英特尔在人工智能和深度学习等业务方面仍表现不足，但这些业务正在改进。

8639 0

WebAssembly 2023 年回顾与 2024 年展望 | 盘点

这对于许多应用如 Web 应用和嵌入式系统来说是足够的，但对于某些工作负载，特别是需要大量内存的应用程序，如云计算、人工智能、虚拟化和容器等，可能不够。...Multi-Memories 提议则意在支持在一个 wasm 模块中使用多个线性内存，这样做可以提高隔离和安全性，提供更灵活的内存管理，并且方便多模块之间共享数据，比如模块将私有数据存在一个内存实例，而需要和其它模块共享的数据则存在另一个内存实例...同时主模块有自己的线性内存和 wasm table，而副模块则没有自己的线性内存和 wasm table，副模块共享主模块的线性内存和 wasm table，并且需要从主模块的线性内存和 wasm table...相对于组件模型，这种链接方式可以实现模块间零拷贝数据传递以提升性能，并且内存消耗较小，实现也相对比较容易，缺点是多语言支持较差，目前来看似乎只能支持 C/C++/Rust 等使用 clang 来编译的语言...其支持多种深度学习模型框架，其中包括 TensorFlow 和 OpenVINO 等业界主流框架；其目标执行环境涵盖了从中央处理器（CPU）、图形处理器（GPU）到专为机器学习设计的张量处理单元（TPU

3781 0

计算机体系结构的一知半解

IBM 正在开发一种个人电脑来与苹果 II 竞争，并且需要一个16位微处理器。IBM 感兴趣的是摩托罗拉68000，但它落后于 IBM 的开发计划，转而使用了8086。...最初的8800项目在1986年停止使用，那一年英特尔在80386中将16位8086 ISA 扩展到32位，其寄存器也从16位扩展到32位，x86的 ISA 成功了，因为市场是很少有耐心的。...智能手机公司没有购买微处理器，而是使用其他公司的设计，主要是 ARM 的 RISC 处理器，在芯片上建立自己的系统(SoC)。...DSA通常称为加速器，数据应用系统可以取得更好的性能，包括图形处理单元(GPU)、用于深度学习的神经网络处理器和用于软件定义网络(SDN)的处理器。...下一个外层使用 ECAD 工具来生成芯片的布局。即使在工具运行之后，在准备生产新的处理器之前，也需要一些手动步骤来精炼结果。如果目标是制造一个大型芯片，那么最外层的设计是昂贵的。

5634 0

《Scikit-Learn与TensorFlow机器学习实用指南》第12章设备和服务器上的分布式 TensorFlow

例如，通常在单台机器上使用 8 个 GPU，而不是在多台机器上使用 16 个 GPU（由于多机器设置中的网络通信带来的额外延迟），可以同样快地训练神经网络。...在本节中，我们将介绍如何设置您的环境，以便 TensorFlow 可以在一台机器上使用多个 GPU 卡。然后，我们将看看如何在可用设备上进行分布操作，并且并行执行它们。...管理 GPU 内存默认情况下，TensorFlow 会在您第一次运行图形时自动获取所有可用 GPU 中的所有 RAM，因此当第一个程序仍在运行时，您将无法启动第二个 TensorFlow 程序。...然而，TensorFlow 团队正在努力改进它，并且最终可能会被开放。在此之前，TensorFlow都是简单的放置，它（如其名称所示）非常基本。...注意，我们第二次运行图（计算c）时，由于 TensorFlow 需要计算的所有节点c都已经放置，所以不使用布局器。动态放置功能创建设备块时，可以指定一个函数，而不是设备名称。

1.1K1 0

在云中部署机器学习模型

实际应用方面似乎仍在发展。我目前正在努力更好地理解如何在云中部署模型以及如何在应用程序中有效地使用它们。以下是我迄今为止的一些发现。...在这两种情况下，模型都需要在模型大小、内存使用、电池使用等方面进行优化，以实现这一点，一种方法是将退出者从图中删除。在训练中使用退学来防止模型过拟合。在运行预测时，不需要它们。...为了使模型能够被多个应用程序和开发人员访问，我们需要API管理。 REST api并不是公开模型的唯一方法。也许其他协议，比如gRPC或基于消息的系统，对于特定场景来说是更好的选择。...在最好的情况下，框架应该满足上述所有需求，框架应该是Serverless的，这样人们就可以关注业务逻辑而不是基础架构。下面是一些您可能想要了解的框架和产品。...TensorFlow service是一个灵活的、高性能的机器学习模型服务系统，内置对TensorFlow模型的支持。它似乎相当强大，但当我去年尝试时，它并不是那么容易。

1K2 0

通往未来人工智能的三条途径：量子计算、神经形态计算和超级计算

这还不包括深度网络在达到所需的性能阈值之前定义问题以及深度网络编程过程中的不断成功与失败所耗费的数周甚至数月的时间。成本：让数百个图形处理器(GPU)连续进行数周计算的成本很高。...这基本上意味着两件事：更好的通用环境，如谷歌的开源深度学习框架TensorFlow，以及在越来越大的数据中心对图形处理器和现场可编程门阵列（Field－Programmable Gate Array，FPGA...英特尔、英伟达(Nvidia)等传统芯片制造商正在积极满足对图形处理器的新需求，而谷歌和微软等公司则在开拓全新的领域，通过开发专有芯片，提升自己的深度学习平台速度，增加吸引力。...神经元在链路上发出选择性信号，而数据似乎是以信号中的潜在脉冲方式进行编码。实际上，这些信号由一串脉冲组成，因此研究集中于信息是否是以一系列脉冲之间的振幅、频率、或延迟进行编码，或是三种方式都涉及。...最重要的是，我们现在就可以购买和使用神经形态脉冲神经网络系统。这不是在遥远的未来才会出现的技术。

8226 0

通往未来人工智能的三条途径：量子计算、神经形态计算和超级计算

这还不包括深度网络在达到所需的性能阈值之前定义问题以及深度网络编程过程中的不断成功与失败所耗费的数周甚至数月的时间。成本：让数百个图形处理器(GPU)连续进行数周计算的成本很高。...这基本上意味着两件事：更好的通用环境，如谷歌的开源深度学习框架TensorFlow，以及在越来越大的数据中心对图形处理器和现场可编程门阵列（Field－Programmable Gate Array，FPGA...英特尔、英伟达(Nvidia)等传统芯片制造商正在积极满足对图形处理器的新需求，而谷歌和微软等公司则在开拓全新的领域，通过开发专有芯片，提升自己的深度学习平台速度，增加吸引力。...神经元在链路上发出选择性信号，而数据似乎是以信号中的潜在脉冲方式进行编码。实际上，这些信号由一串脉冲组成，因此研究集中于信息是否是以一系列脉冲之间的振幅、频率、或延迟进行编码，或是三种方式都涉及。...最重要的是，我们现在就可以购买和使用神经形态脉冲神经网络系统。这不是在遥远的未来才会出现的技术。

1.1K9 0

AI 战略剑指GPU，英特尔Nervana 平台将推首款深度学习芯片

一个用于转换的API，用于编译这些图形，并在GPU和CPU上执行。 Nervana官方网站介绍说，Theano 和 TensorFlow 计算图要求使用者在创建图形的同时要推论潜在的向量形状。...与Theano和TensorFlow的对比 Theano 和 TensorFlow 计算图要求使用者在创建图形的同时要推论潜在的向量形状。这相当枯燥，并且容易出错。...相反，ngraph API 能让用户定义一系列的命名轴，在图形的绘制过程中，把这些轴添加到张量上，并在有需要的时候，通过此前的命名（而不是位置）对它们进行分类。...这使得贡献者更容易添加后端代码以支持外来模型，而不需要理解或修改系统中其他地方做出的假设。...在Nervana被英特尔收购之后，我们拥有一个快速增长的世界级专家团队，涵盖编译器，分布式系统，系统软件和深入学习等项目。

8076 0

为什么苹果系统这么流畅？

A6处理器集成了Power VR SGX543显示芯片（图片引自驱动之家） IOS系统对图形的各种特效处理基本上正好都是基于GPU硬件进行加速的，它可以不用完全借助CPU或者程序本身，而是通过GPU进行渲染以达到更流畅的操控表现...但是Android系统产品则并非如此，因为Android需要适应不同的手机硬件，需要满足各种差异配置，所以很多图形特效大多都要靠程序本身进行加速和渲染，并严重依赖CPU运算的操作自然会加大处理器的负荷，...因为它本身的整个流程都是在为最大化的流畅做服务，不管是第一印象的滑动接触屏幕，还是你进一步使用程序之后的更深层操作都是如此。而GPU加速这点特性，应该是它优于Android系统流畅性的又一个因素。...这一段话应该是iOS系统本身运行程序的执行过程，而Android是通过JAVA虚拟机来执行，并且系统需要占用大量内存来换取执行速度，再加上不定期的内存自动回收机制，从而直接导致了卡顿现象的出现。...最后那些占据了Android终端份额的大量大众用户们由于自己的手机不是旗舰产品而得不到流畅的使用体验，自然而然就会产生Android产品不如iOS流畅的抱怨。

2.5K15 0

【英伟达要担心亚马逊造 AI 芯片吗？】谷歌、苹果、微软、亚马逊AI芯片对比

人工智能（AI）的兴起引发了各种各样的军备竞赛，其中最大的技术公司正在寻求从新兴技术中受益。英伟达公司一直是这一趋势的最大受益者之一，因为其图形处理器（GPU）是训练AI系统的早期选择。...Alexa与云的连接亚马逊是人工智能的早期采用者，并且根据最近的报道，亚马逊正在研究可以在设备上进行处理或在边缘处理的定制AI芯片，而不是仅仅依靠将设备连接到云端。...该芯片为TensorFlow奠定了基础，TensorFlow是用于训练该公司的AI系统的框架。最新版本的TPU可以处理AI的训练和推理阶段。...正如其名称所示，AI系统在训练阶段“学习”，推理阶段则是算法完成它们被训练的工作。谷歌最近宣布，谷歌云的客户现在可以访问这些处理器。...这些已经成为微软Azure云计算系统的基础，并且提供比GPU等传统产品更灵活的架构和更低的功耗。英伟达增长仍在继续虽然这些公司都采用了不同的处理器策略，但他们仍在使用大量英伟达的GPU。

6849 0

深度揭秘谷歌TPU2机器学习集群：新一代的「谷歌云TensorFlow处理单元」

谷歌将其称为新一代的「谷歌云 TensorFlow 处理单元」，但是除了几张彩色图片之外，并没有提供多少关于 TPU2 芯片以及使用 TPU2 的系统性信息。...TPU2 的四个板象限中共享板上配电系统。我们认为四个 TPU2 板象限也通过一个简单的网络交换机共享网络连接。每个板象限看起来像是一个独立的子系统，并且这四个子系统在电路板上没有彼此连接。 ?...TPU2 前面板的连接电路板正面中心的两个连接器看起来像带有铜双绞线的 QSFP 式连接器，而不是光纤。...TPU2 芯片可以在 OPA 上使用远程直接存储器访问（RDMA）从处理器板上的内存中加载自己的数据吗？这好像是可以的。处理器板似乎也可能在机柜上执行相同操作，创建大型共享内存池。...该共享内存池不会像 Hewlett Packard Enterprise 的机器共享内存系统原型中的内存池那么快，但是使用 25 GB / s 的链接，它的速度也不会太慢，内存依旧很大，这是在两位 tb

1.5K9 0

业界 | 深度定制：揭秘Graphcore深度学习芯片加速软件

正如 Toon 对 The Next Platform 所言，深度学习框架正在从数据中获取知识模型，并且通过计算图来表示这些特征是最佳途径。...Poplar 驱动一个以 PCIe 为接口的 16 个处理器的 Graphcore IPU 组件，它需要开发人员在 TensorFlow 中启动（这个团队正致力于将库和支持机制扩展到其他框架），随后构建所需训练的神经网络的描述...随后它会通过将它们扩展为完整而复杂的图形「引爆」这些图形的边和顶点。这款软件能够对处理元件和内部通信资源进行映射和划分，因此它能够处理图形并创建可以馈送至处理器的程序。 ?...而 Poplar 的目的便是采取更多诸如 TensorFlow 做出的抽象图形描述，将它们展开为包含全部边缘和顶点的整体图，而后分解为可以分配到处理元素中的工作包。...如果我有一块可以连接在一起并使用多个处理器来进行速度训练的计算硬件，那么我可以使用其他处理器在不同的时间进行部署或推断；只要设计的处理器不必以特定的方式进行调整和控制来实现高性能，这便可能实现。」

7037 0

InfoWorld最佳开源大数据工具奖，看看有哪些需要了解学习的新晋工具

基于大量的处理器以及海量的RAM－人多好办事。 Spark ? Spark是一个分布式内存处理框架，使用Scala编写，正在吞噬大数据世界。基于2.0版本的发布，其将继续保持优势。...此外，如果你对Google的DataFlow的性能及扩展特性有兴趣，你可以在Beam里编写程序并且在DataFlow，Spark，或者即使在Flink里运行他们。...如果你在使用Hive，Impala是一个简单的方式为你的查询提升性能而不需要你重新思考你该做任何事情。基于列的，分布式的，大规模并行处理系统，Impala比Hive on Spark组合更加成熟。...与其它图形数据库相比，Titan的架构是水平扩展的(scale out)，而不是向上扩展(scale up)。...相比于严格的图形分析框架，Titan可以提供更好的性能（如Giraph），也不需要使用大量内存资源或时间来重算图形（如GraphX）。更不用提它还具备更好的数据完整性的潜力。 Zeppelin ?

1.1K6 0

开源的“狂欢”，是科技公司的曲线赚钱之道吗？

Linux操作系统和微软的Windows相比，它完全免费，可以通过模拟器运行DOS、Windows，支持多用户多任务，具备字符界面和图形界面。...Red Hat现任CEO詹姆斯·怀特赫斯特在2012年接受采访时举了一个例子：纽交所一直在用免费的Red Hat Linux系统交易股票，但如果纽交所想用新处理器提高效率，就需要为新硬件部署新的系统和应用程序...当然这些商业公司会选择开源深度学习框架，很关键的一个因素是深度学习最核心的是数据，而不是模型，最重要的数据还是握在自己手上。...更重要的是，开源意味着生态，以非常成功的开源案例TensorFlow为例，首先可以给谷歌的AI周边产品带来辐射效应，比如用TensorFlow训练数据就得接入到谷歌云服务上，以及使用谷歌的张量处理器TPU...而传统开源公司的杀手锏就在于它们早早地建设好了社区生态，并且手中有大量的企业级客户。这对于方兴未艾的云服务市场来说，是一盘现成的“饕餮”。

1K3 0

详解AI加速器（四）：GPU、DPU、IPU、TPU…AI加速方案有无限种可能

基于 Grace 的系统与 NVIDIA GPU 紧密结合，性能比目前最先进的 NVIDIA DGX 系统（在 x86 CPU 上运行）高出 10 倍。...谷歌表示，这些第二代 TPU 将可在 Google 计算引擎上使用，以用于 TensorFlow 应用程序中。...Goya 处理器已实现商用，在极具竞争力的包络功率中具有超大吞吐量和超低的实时延迟，展现出卓越的推理性能。Gaudi 处理器旨在让系统实现高效灵活的横向、纵向扩展。...Mythic 还推出了一个模拟计算引擎 (ACE，Analog Compute Engine)，它使用闪存而不是 DRAM 来存储权重。...本质上，它们不是从内存中获取输入和权重数据，而是将输入数据传输到权重闪存，并将其转换为模拟域，在模拟域中执行 MAC （multiply-and-accumulate）计算，并将其转换回以获取输出数据，

1.6K3 0

赛灵思推出用于AI推理的XDNN FPGA架构

xDNN可配置覆盖处理器将一系列神经网络框架映射到VU9P Virtex UltraScale + FPGA上，提供增强内存，使用自定义应用程序的选项，在亚马逊云上使用F1实例或内部的时候，可以使用编译器和运行时...FPGA是数据并行的，并且支持数据重用以及数据压缩和应对数据稀疏，以及xDNN处理器的2D二维MAC阵列，灵活的高带宽片上存储器访问以及多种方式，数据移动更加高效。...换句话说，它可以与TensorFlow一起使用，而无需重新编程或更改FPGA。...有关赛灵思为用户开发的ML工具套件的更多信息，但实质上，这是一个允许连接到框架的API，并且可以更容易地在Tensorflow中获得经过训练的模型和权重，例如，将其转换为一个赛灵思图，在它到达编译器之前通过一些优化...“简而言之，这是在进行大量的图形分区。有很多预处理和后处理，我们使用子图让我们在主机CPU的不同代码甚至部分代码上运行图形的不同部分，”Nimaiyar解释说。

9283 0

TensorFlow可以做什么？让Google Brain首席工程师告诉你

比如说，开发者可以在主要的开发环境中使用TensorFlow。...在垃圾邮件过滤中，我们也使用了TensorFlow训练的模型，同时在安卓的应用程序推荐上，也上线了TensorFlow的模型等等。...前面的图也告诉大家，在中国有大量的开发人员在持续的关注TensorFlow，事实上，我们正在和众多的中国公司建立伙伴关系，积极的支持和帮助他们更好的使用TensorFlow。...最后，我们也在开发新一代深度学习硬件加速器TPU，去年我们宣布了第二代处理器，这个处理器可以达到180万亿次浮点运算的性能，有64千兆的内存，如果我们把这样的处理器集成在一起，搭建一个集群，根据我们的估算...第二代TPU 目前我们正在内部各种产品研发中使用第二代TPU，并且计划在不久的将来开放给公众使用。

8105 0

硅谷教父John Hennessy：我们正站在计算机架构第五时代的门槛上

微处理器出现之后，技术成本开始下降，在摩尔定律给出的预测下，微处理器变得越来越有能力。我们开始使用了大量的指令级并行性，兼顾效率的同时承担了其他风险。...于是，我们看到处理器达到温度极限的现象，因此芯片过热而自动停止工作等设计也浮出水面，但即使设计非常巧妙，热量和电池仍然是限制因素。我们必须改变架构设计，提高能耗的效率，在相同功率的情况下提高性能。...目前，以软件为中心的方法正在努力提高效率。我们使用脚本语言(如Java或Python)进行编程。它们属于解释性语言并且属于动态类型，因此在一定程度上具有重用性和灵活性。...GPU只是冰山一角，对特定领域进行定制处理器的需求巨大，当前在机器学习社区，更多人的研究方向是如何用机器学习处理数据，而不是编写大量代码尝试生成有趣应用程序的新方法。...面对这种情况，针对特定领域的专用处理器比通用处理器更能“打”，它带来的好处是：1.它能够在特定领域使用更简单的并行性(较少控制硬件)；2.也能够更有效地使用内存带宽；3.还能够消除不需要的精度。

1.1K3 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭