Performance(性能)

在培训机器学习模型时,性能往往是一个重要问题。本节介绍各种优化性能的方法。使用性能指南开始您的调查,然后深入了解高性能模型中详细描述的技术:

  • 性能指南,其中包含一系列优化您的TensorFlow代码的最佳实践。
  • 高性能模型,其中包含一系列高级技术,用于构建针对不同系统类型和网络拓扑的高度可扩展模型。
  • 基准测试,其中包含一系列基准测试结果.XLA(加速线性代数)是用于优化TensorFlow计算的线性代数的实验性编译器。以下指南探索XLA:
  • XLA概述,它介绍了XLA。
  • 广播语义,它描述了XLA的广播语义。
  • 为XLA开发新的后端,解释如何重新定位TensorFlow以优化特定硬件的计算图表性能。
  • 使用JIT编译器,它描述XLA JIT编译器,它通过XLA编译和运行TensorFlow图形的一部分,以优化性能。
  • 操作语义,这是一个参考手册,描述ComputationBuilder界面中操作的语义。
  • 形状和布局,详细说明Shape协议缓冲区。
  • 使用AOT编译解释tfcompile了一个将TensorFlow图形编译为可执行代码以优化性能的独立工具。

最后,我们提供以下指南:

  • 如何用TensorFlow量化神经网络,它可以解释如何在存储和运行时使用量化来减小模型大小。量化可以提高性能,特别是在移动硬件上。

扫码关注云+社区

领取腾讯云代金券