scheduling Go语言在高性能系统中的实践经验 • 为什么用Go - 比起C++，更易于实践各种并发模式 - 比起Java，更加简洁，更易于与C/C++交互 - 比起脚本语言，类型和内存安全，保证重构效率与产品质量 - 完善的配套工具，如go test, gofmt, go lint, race-detector Go语言在高性能系统中的实践经验 • Go在开发高性能应用上也有一些不足，

，而且取代了劳动密集型的特征工程。 • 最近在深度学习方面取得的许多进展，大都是由廉价传感器和互联网规模应用所产生的大量数据，以 及（通过GPU）算力的突破来触发的。 • 整个系统优化是获得高性能的关键环节。有效的深度学习框架的开源使得这一点的设计和实现变得非 常容易。 练习 1. 你当前正在编写的代码的哪些部分可以“学习”，即通过学习和自动确定代码中所做的设计选择来改进？ 你的代码是否包含启发式设计选择？ 个类别的图像组成。我们将在后续章节中使用此数据集来 评估各种分类算法。 • 我们将高度h像素，宽度w像素图像的形状记为h × w或（h,w）。 • 数据迭代器是获得更高性能的关键组件。依靠实现良好的数据迭代器，利用高性能计算来避免减慢训 练过程。 114 3. 线性神经网络 练习 1. 减少batch_size（如减少到1）是否会影响读取性能？ 2. 数据迭代器的性能非常重要。当前的实现足够快吗？探索各种选择来改进它。 chimera(X) tensor(0.2183, grad_fn=) 196 5. 深度学习计算 5.1.4 效率 读者可能会开始担心操作效率的问题。毕竟，我们在一个高性能的深度学习库中进行了大量的字典查找、代 码执行和许多其他的Python代码。Python的问题全局解释器锁74 是众所周知的。在深度学习环境中，我们担 心速度极快的GPU可能要等到CPU运行Python代码后才能运行另一个作业。

TensorFlow 2 构建生态 2.0 TensorFlow 生产级AI方案 TensorFlow 2 核心模块 TensorFlow 2 核心模块概览 tf.keras：分布式和高性能的 Keras • 构建和训练模型的高层次 API • API 完全兼容原生 Keras • 支持保存和加载 TensorFlow SavedModel • 支持 Eager Execution

RetinaNet 准确率与性能对比 RetinaNet 网络结构 RetinaNet 与同期SOTA检测器对比 YOLOv3 申请出战！ YOLOv3：小目标识别大提升 YOLOv3：工业级高性能目标检测器 再谈检测器上生产的利弊权衡 • 特征提取网络(VGG, ResNet, Inception, MobileNet)； • 用哪个特征层来做检测； • 图像尺寸；IOU的评判方式；NMS

数据分析 数据 规范化 创建模型 (数据流图) 创建会话 (运行环境) 训练模型 数据分析库：Pandas Pandas 是一个 BSD 开源协议许可的，面向 Python 用户的高性能和易于上手的数 据结构化和数据分析工具。 数据框（Data Frame）是一个二维带标记的数据结构，每列（column）数据类型 可以不同。我们可以将其当作电子表格或数据库表。 数据读入 pandas

计算 数据/特征 存储 基础/IDE 业务 调度 集群 2 平台架构 计算 机器学习平台 Feed排序 推荐流 文本分类/检测 Hadoop/Spark 集群 数据仓库集群 高性能GPU集群 Hdfs/Odps TensorFlow /Caffe 图像/视频分类 阿里云计算集群 实时计算集群 业务 Storm/Flink Yarn/K8s …… …… ……