TensorFlow在推荐系统中的分布式训练优化实践
<blockquote美团内部深度定制的TensorFlow版本,基于原生TensorFlow1.x架构与接口,从大规模稀疏参数的支持、训练模式、分布式通信优化、流水线优化、算子优化融合等多维度进行了深度优化。在推荐系统场景,分布式扩展性提升10倍以上,单位算力性能也有显著提升,并在美团内部业务
<blockquote美团内部深度定制的TensorFlow版本,基于原生TensorFlow1.x架构与接口,从大规模稀疏参数的支持、训练模式、分布式通信优化、流水线优化、算子优化融合等多维度进行了深度优化。在推荐系统场景,分布式扩展性提升10倍以上,单位算力性能也有显著提升,并在美团内部业务
一、背景在我们平时开发过程中,一般一个请求都是需要经过多个微服务的,比如:请求从A服务流过B服务,如果A服务请求过快,导致B服务响应慢,那么必然会导致系统出现问题。因为,我们就需要有限流操作。二、实现功能提供自定义的限流key生成,需要实现<codeKey
一道面试题的思考最近找工作,面试了几家公司,其中有一道面试题印象深刻:<pre<codeIntegera12;Integerb12;Integerc225;Integerd225;System.out.println(ab);
<blockquote<strong获得Greenplum更多干货内容,欢迎前往<ahref"https://link.segmentfault.com/?encP8zTqI0bZjL%2FfjlEp6mKyA%3D%3D.u6TnXDRdPI1VqQtAJGv3ewF3mhDsCNsXn