-
并行和分布式训练
并行和分布式训练 并行和分布式训练 PyTorch 分布式概述 单机模型并行最佳实践 分布式数据并行入门 用 PyTorch 编写分布式应用 分布式 RPC 框架入门 使用分布式 RPC 框架实现参数服务器 使用 RPC 的分布式管道并行化 使用异步执行实现批量 RPC 处理 将分布式DataParallel与分布式 RPC 框架相结... -
调用多个圈子同时调用相关会员
调用多个圈子同时调用相关会员 调用多个圈子同时调用相关会员 看这一篇之前,请先看上一篇,因为他们有关联性 比如要实现这样的效果 可以通过下面的代码可以实现 { qb : tag name = "xxx" type = "qun" rows = "4" } < div style = "border:1px solid #333;ma... -
处理文本或文本数据文件
在数据存储或传输中，我们经常用到一些纯文本格式的数据或数据文件，例如 CSV、XML、JSON 格式的数据或文件。这些数据可以是存储在文件中，也可以是服务端接口提供（还有一种可能是服务端动态生成对应的数据文件）。 在 JS 中，我们可以通过发送请求的形式加载数据文件或数据接口，并按照一定的格式解析处理成 JS 对象并最终创建图表。 下面用示... -
2.2 DRAM访问细节
在上文介绍DRAM的时候，我们已经看到DRAM芯片为了节约资源，对地址进行了复用。而且，访问DRAM单元是需要一些时间的，因为电容器的放电并不是瞬时的。此外，我们还看到，DRAM需要不停地刷新。在这一节里，我们将把这些因素拼合起来，看看它们是如何决定DRAM的访问过程。 我们将主要关注在当前的科技上，不会再去讨论异步DRAM以及它的各种变体。如果对它感兴... -
CUDA语义
CUDA语义 最佳实践 使用固定的内存缓冲区 使用 nn.DataParallel 替代 multiprocessing CUDA语义 torch.cuda 会记录当前选择的GPU，并且分配的所有CUDA张量将在上面创建。可以使用torch.cuda.device 上下文管理器更改所选设备。 但是，一旦张量被分配，您可以直接对其进行操作，而不考... -
钻取功能
钻取是改变展现数据维度的层次，变换分析的粒度。它包括向上钻取（drillup）和向下钻取（drilldown）。 Highcharts 在 3.0.8 开始提供内置的钻取功能功能，使用钻取功能需要额外的引入相关的模块文件 复制代码<script src = "http://cdn.hcharts.cn/highcharts/modul... -
torch.Storage
torch.Storage 译者署名 torch.Storage torch.Storage 是单个数据类型的连续的一维数组 ，每个torch.Tensor 都具有相同数据类型的相应存储。 class torch . FloatStorage byte() ：将 Storage 转为 byte 类型 char() :将 Storage... -
使用 Bulk Processor
使用 Bulk Processor 创建BulkProcessor 实例 BulkProcessor 默认设置 增加requests 关闭 Bulk Processor 在测试中使用Bulk Processor 使用 Bulk Processor BulkProcessor 提供了一个简单的接口，在给定的大小数量上定时批量自动请求 创建B... -
Wind.js
[Wind.js] [异步加载js] [异步加载 css] [Wind.js] Wind.js是一个异步加载js 和 css 的类库，核心是基于 head.js 的，phpwind 团队在 head.js 基础上封装了一些方法，可以更加方便的异步加载 js 和 css。 此文件在public/static/js/wind.js [异步加载js... -
torch.Storage
torch.Storage byte() char() clone() copy_() cpu() cuda(device=None, async=False) data_ptr() double() element_size() fill_() float() from_buffer() half() int() is_cuda...
