内容简介：(以及其他具有类似编码器 – 解码器架构的图形)优化图形.但是,使用quantize_weights时,优化图实际上较慢,使用quantize_nodes时甚至要慢得多.从Tensorflow的文档来看,量化时可能没有任何改进,甚至可能更慢.如果下面的图形/软件/硬件是正常的,不知道吗？以下是我的系统信息供您参考：> OS平台和发行版：Linux Ubuntu 16.04
我想使用Tensorflow的transform_graph工具优化图形.我尝试从 MultiNet
(以及其他具有类似编码器 – 解码器架构的图形)优化图形.但是,使用quantize_weights时,优化图实际上较慢,使用quantize_nodes时甚至要慢得多.从Tensorflow的文档来看,量化时可能没有任何改进,甚至可能更慢.如果下面的图形/软件/硬件是正常的,不知道吗？
以下是我的系统信息供您参考：
> OS平台和发行版：Linux Ubuntu 16.04
> TensorFlow安装自：使用TF源代码(CPU)进行图形转换,使用二进制python(GPU)进行推理
> TensorFlow版本：均使用r1.3
> Python版本：2.7
> Bazel版：0.6.1
> CUDA / cuDNN版本：8.0 / 6.0(仅推理)
> GPU型号和内存：GeForce GTX 1080 Ti
如有必要,我可以发布用于重现的所有脚本.
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
猜你喜欢:
- 快速入门Pytorch(1)--安装、张量以及梯度
- 百倍提升张量计算：谷歌开源TensorNetwork
- 速度提高100倍，谷歌开源张量计算库
- CVPR 2019：一个高阶张量搞定整个全卷积网络
- NumSharp v0.8.0 发布，C# 张量计算库
- ICML 2019 | 第四范式提出快速张量补全新方法
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
大型网站技术架构演进与性能优化
许令波 / 电子工业出版社 / 2018-6 / 79
《大型网站技术架构演进与性能优化》从一名亲历者的角度，阐述了一个网站在业务量飞速发展的过程中所遇到的技术转型等各种问题及解决思路。从技术发展上看，网站经历了Web应用系统从分布式、无线多端、中台到国际化的改造；在解决大流量问题的方向上，涉及了从端的优化到管道到服务端甚至到基础环境优化的各个层面。 《大型网站技术架构演进与性能优化》总结的宝贵经验教训可以帮助读者了解当网站遇到类似问题时，应如何......一起来看看 《大型网站技术架构演进与性能优化》 这本书的介绍吧!
