ops主機的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

TensorFlow移動端機器學習實戰

為了解決ops主機的問題，作者王眾磊 這樣論述：

TensorFlow已經成為機器學習的流行框架和工業屆標準，早期的TensorFlow以雲端和資料中心中的機器學習為主，近期的一個趨勢是，逐漸向移動端和設備端轉移。推動這個趨勢的動力包括人們對機器學習理論和認知的提高、演算法及技術的改進、軟體和硬體性能的提高，以及專有硬體的出現等，更主要的是，用戶的需求和越來越豐富的場景需求。現在國內移動用戶已超15億，全球移動用戶已超過51億，2019年IoT裝置數量預計將超過全球人口總數。 我們相信，在未來，雲端和移動端相結合的人工智慧和設備端獨立的人工智慧應用會慢慢成為主流。作為TensorFlow的開發者和使用者，本書作者完整地講解了使用Tensor

Flow進行端到端開發的實例和開發技巧，同時分享了如何使用開源工具進行軟體發展的最佳工程實踐和經驗。本書提供了全方位的視角説明讀者開啟不同的思路，即使把本書作為一本軟體發展和工程開發的書籍來讀，也會使讀者受益匪淺。   王眾磊 TensorFlow的開發者之一，具有二十多年的留學和工作經驗。現定居美國矽谷，長期從事軟體發展工作，發表國際論文及國際專利多項。曾在穀歌等多家大型國際公司及初創企業工作過，有豐富的國內、國際開發及管理經驗。近幾年以移動端開發、邊緣計算、雲計算和機器學習為主，從事開發和管理工作。工作之余喜歡和家人一起去各地旅遊、打高爾夫球、滑雪等。 陳海波 深

蘭科技DeepBlue Technology的創始人，南京工業大學特聘教授，清華大學―深蘭科技機器視覺聯合研究中心管理委員會主任；上海交通大學―深蘭科技人工智慧聯合實驗室管理委員會主任、中南大學―深蘭科技人工智慧聯合研究院專家委員會委員，致力於人工智慧的基礎研究和應用開發，創建的深蘭科學院擁有人工智慧研究院、科學計算研究院、生命及AI腦科學院、自動化研究院和智慧汽車研究院。團隊擁有包括CVPR、PAKDD、IEEEISI等多項國際競賽冠軍成績，在自動駕駛和整車、機器人研發及製造、生物科技、自然語言處理（語義智慧）、資料採擷等領域都有深度佈局。   第1章 機器學習和Tens

orFlow簡述 1 1.1 機器學習和TensorFlow的歷史及發展現狀 1 1.1.1 人工智慧和機器學習 1 1.1.2 TensorFlow 3 1.1.3 TensorFlow Mobile 5 1.1.4 TensorFlow Lite 5 1.2 在移動設備上運行機器學習的應用 6 1.2.1 生態和現狀 7 1.2.2 從移動優先到人工智慧優先 8 1.2.3 人工智慧的發展 9 1.2.4 在移動設備上進行機器學習的難點和挑戰 9 1.2.5 TPU 10 1.3 機器學習框架 11 1.3.1 CAFFE2 11 1.3.2 Android NNAPI 12 1.3.3

CoreML 12 1.3.4 樹莓派（Raspberry Pi） 13 第2章 構建開發環境 14 2.1 開發主機和設備的選擇 14 2.2 在網路代理環境下開發 15 2.3 整合式開發環境IDE 16 2.3.1 Android Studio 16 2.3.2 Visual Studio Code 16 2.3.3 其他IDE 18 2.4 構建工具Bazel 18 2.4.1 Bazel生成調試 19 2.4.2 Bazel Query命令 20 2.5 裝載TensorFlow 20 2.6 文檔 25 第3章 基於移動端的機器學習的開發方式和流程 26 3.1 開發方式和流程

簡介 26 3.2 使用TPU進行訓練 28 3.3 設備端進行機器學習訓練 35 3.4 使用TensorFlow Serving優化TensorFlow模型 41 3.4.1 訓練和匯出TensorFlow模型 42 3.4.2 使用標準TensorFlow ModelServer載入匯出的模型 50 3.4.3 測試伺服器 50 3.5 TensorFlow擴展（Extended） 54 第4章 構建TensorFlow Mobile 55 4.1 TensorFlow Mobile的歷史 55 4.2 TensorFlow代碼結構 55 4.3 構建及運行 61 4.3.1 代碼的流

程 67 4.3.2 代碼的依賴性 68 4.3.3 性能和代碼跟蹤 69 第5章 用TensorFlow Mobile構建機器學習應用 71 5.1 準備工作 71 5.2 圖像分類（Image Classification） 74 5.2.1 應用 74 5.2.2 模型 85 5.3 物體檢測（Object Detection） 87 5.3.1 應用 87 5.3.2 模型 92 5.4 時尚渲染（Stylization） 95 5.4.1 應用 95 5.4.2 模型 96 5.5 聲音識別（Speech Recognization） 96 5.5.1 應用 96 5.5.2 模型

99 第6章 TensorFlow Lite的架構 101 6.1 模型格式 102 6.1.1 Protocol Buffer 102 6.1.2 FlatBuffers 105 6.1.3 模型結構 112 6.1.4 轉換器（Toco） 113 6.1.5 解析器（Interpreter） 119 6.2 底層結構和設計 123 6.2.1 設計目標 123 6.2.2 錯誤回饋 124 6.2.3 裝載模型 125 6.2.4 運行模型 126 6.2.5 定制演算子（CUSTOM Ops） 128 6.2.6 定制內核 132 6.3 工具 133 6.3.1 圖像標注（labe

l_image） 133 6.3.2 最小集成（Minimal） 143 6.3.3 Graphviz 143 6.3.4 模型評效 148 第7章 用TensorFlow Lite構建機器學習應用 151 7.1 模型設計 151 7.1.1 使用預先訓練的模型 151 7.1.2 重新訓練 152 7.1.3 使用瓶頸（Bottleneck） 154 7.2 開發應用 158 7.2.1 程式介面 158 7.2.2 執行緒和性能 162 7.2.3 模型優化 163 7.3 TensorFlow Lite的應用 170 7.3.1 聲音識別 173 7.3.2 圖像識別 177 7.4

TensorFlow Lite使用GPU 178 7.4.1 GPU與CPU性能比較 178 7.4.2 開發GPU代理（Delegate） 178 7.5 訓練模型 182 7.5.1 模擬器 183 7.5.2 構建執行檔 183 第8章 移動端的機器學習開發 186 8.1 其他設備的支援 186 8.1.1 在iOS上運行TensorFlow的應用 186 8.1.2 在樹莓派上運行TensorFlow 189 8.2 設計和優化模型 190 8.2.1 模型大小 191 8.2.2 運行速度 192 8.2.3 視覺化模型 196 8.2.4 執行緒 196 8.2.5 二進位檔

案大小 197 8.2.6 重新訓練移動資料 197 8.2.7 優化模型載入 198 8.2.8 保護模型檔 198 8.2.9 量化計算 199 8.2.10 使用量化計算 202 8.3 設計機器學習應用程式要點 207 第9章 TensorFlow的硬體加速 209 9.1 神經網路介面 209 9.1.1 瞭解Neural Networks API運行時 210 9.1.2 Neural Networks API程式設計模型 211 9.1.3 NNAPI 實現的實例 213 9.2 硬體加速 222 9.2.1 高通網路處理器 223 9.2.2 華為HiAI Engine 22

9 9.2.3 簡要比較 235 9.2.4 開放式神經網路交換格式 236 第10章 機器學習應用框架 237 10.1 ML Kit 237 10.1.1 面部識別（Face Detection） 242 10.1.2 文本識別 247 10.1.3 條碼識別 248 10.2 聯合學習（Federated Learning） 248 第11章 基於移動設備的機器學習的未來 252 11.1 TensorFlow 2.0和路線圖 252 11.1.1 更簡單的開發模型 253 11.1.2 更可靠的跨平臺的模型發佈 254 11.1.3 TensorFlow Lite 254 11.1

.4 TensorFlow 1.0 和TensorFlow 2.0的不同 255 11.2 人工智慧的發展方向 255 11.2.1 提高人工智慧的可解釋性 255 11.2.2 貢獻社會 256 11.2.3 改善社會 258   2018年，我有很長一段時間在中國和美國兩地跑，同時在國內工作和生活了比較長的一段時間，這是我近二十年來第一次和國內的開發者一起長時間工作。在享受各種美食之外，對國內的開發、產品和管理有了全新的瞭解和認識。 說起寫書的起源，我本來的想法只是寫一點可以作為國內工程師培訓教材的東西。2018年初，TensorFlow作為一個技術熱點，逐漸普及到機

器學習應用開發的各個方面，但是對於TensorFlow在移動端的開發和應用還處於初始階段。我當時也剛剛結束一個TensorFlow項目，想把這些經驗和想法沉澱一下。於是我就把以前寫的筆記和日誌重新整理，添加一些內容並修改了文字，基本形成了一個原始版本。 後來，遇到博文視點的南海寶編輯，通過商談，出版社欣然同意把這些資料整理出書。我的筆記和日誌的內容很多和代碼緊密相關，其中很多內容後來演變成了文檔，我覺得這對初學者和有經驗的開發者都是一個很好的參考，至少可以提供另外一個視角，讓開發者多方面瞭解TensorFlow。所以，我就開始寫作，前後花費了近兩年的時間。 我是一邊寫作一邊工作的，在這個過

程中很快就遇到了兩個很大的挑戰。 第一是文字。我的筆記都是英文的，要把這些轉換成中文，我借助了谷歌翻譯，雖然翻譯後的文字有很多需要修改，但至少省下了不少打字的時間。另外，就是專有術語的翻譯，由於我對中文的專業術語不熟悉，所以即使簡單的術語也要斟酌確定，這也花費了一些時間。如果讀者在文字中發現一些奇怪的說法，還請見諒，我和編輯雖然盡了最大的努力，可能還是會有很多遺漏。 第二是重新認識和瞭解了國內開發的方方面面。我在美國和國內的開發者也有不少接觸，我想在兩邊工作應該不會有什麼差別，可實際工作起來還是有很多不同和挑戰，感觸頗深。首先是技術層面。開源的理念和軟體在國內滲透到各個方面，幾乎所有互聯網

公司都是從使用開源軟體開始搭建自己的產品。由於穀歌在開源社區的貢獻和影響力，國內普遍對穀歌的好感度很高，我也同享了這個榮耀。而且，很多公司和開發者也把對開源社區做出貢獻看作責任和榮耀，這是一個很好的趨勢，中國很快會發展出自己的開源生態和社區。 關於開發環境和工程師文化，我想提一下兩邊對新員工培訓的區別。在國內對員工的培訓中，職業道德培訓和公司文化的培訓占了很大一部分。而在矽谷，至少像穀歌、臉書這些公司，培訓中技術培訓占了很大一部分，基本是一周的培訓後，員工就要進行實際的工作，而國內很多公司的新員工第二周才開始技術工作。這裡我能充分感受到中美公司之間的差別。 另外是開發管理方法，由於管理方法

的不同，實際的工作中要做相應的改變。比如國內對開發和產品的進度的管理是非常嚴格的。但是，這種嚴格大都體現在層級的彙報關係上，而不是對技術細節的掌控和指導上。谷歌的工程師會經常以代碼的提交作為一個工程開始和結束的標誌，這在國內公司很少見到。 我希望把這些經驗、想法和體會能或多或少體現在這本書裡。比如，使用Markdown寫文檔，能使寫文檔變成一件不是很煩瑣的事，可以讓作者更專注于內容的寫作，而不是花費太多時間在操作編輯器上。本書就是全部用Markdown寫作完成，再轉換成Word文檔的。比如，使用Bazel編譯，需要對代碼的依賴有清晰的定義。可能很多工程師不會特別在意這點，但是通過它，工程師可

以非常清楚地瞭解代碼重用和引用的狀況，避免隨意的代碼重用，並提高代碼的品質。我希望通過這些在書中給讀者傳達一些不同的開發經驗。 總之，我會把這本書作為2018年工作和生活的一個紀念。看到書中的各個章節，我就可以聯想起寫書時發生的許多人和事。但是，真的由於時間和我自己的能力非常有限，書中一定會有很多錯誤和瑕疵，還望讀者能寬容和諒解。 最後，要感謝我的家人能支持和陪伴我度過2018年，我和我的母親一起度過了2018年春節，是近20年來在國內度過的第一個春節。還要感謝我的妻子，她非常支持我，並幫助我寫完這本書。還有我的兩個女兒，總是能給我帶來無盡的快樂，還要感謝深蘭科技的創始人陳海波先生和首席戰

略官王博士，兩位幫助我完成這本書，並提出了很多意見。 另外，感謝博文視點給我這個機會出版這本書，希望通過這本書能結識更多的開發者。還要感謝南海寶編輯在本書寫作和出版過程中給予的指導和鼓勵。  

ops主機進入發燒排行的影片

利用主機端資訊及寫入區間特性改善固態硬碟效能

為了解決ops主機的問題，作者張丞嘉 這樣論述：

近年來，固態硬碟(SSD)在個人電腦及伺服器端逐漸取代傳統硬碟(HDD)，相較於HDD，SSD擁有存取速度快且低功耗的優勢，此外SSD內部採用多通道(multi-channel)的架構，每個通道可以平行存取，可進一步提升 SSD效能。然而SSD卻有erase-before-write和壽命限制的缺點，因此許多論文提出新的GC演算法來降低Garbage Collection (GC) overhead並且分析資料存取特性來提升SSD的效能與壽命。由於現今主機端page cache的容量越來越大，所以大部分讀寫動作都會在主機端內Page Cache完成，因此主機端的讀寫行為更能判斷出此資料的存取

特性。有鑑於此，本篇論文透過把主機端內page cache的讀取與寫入的次數傳送至下層的SSD內的write buffer中，當write buffer空間不足時，我們會參考這些資訊將這些 victim pages選擇適合的擺放方式放入NAND flash中，以提高資料的存取速度。針對GC部份，我們紀錄每個block被overwrite的時間間隔，平均這些時間間隔來判斷block的穩定性，當SSD觸發GC時，將會選擇較穩定的block當victim，以減少GC overhead。

Oracle 數據庫虛擬化：基於vSphere平台

為了解決ops主機的問題，作者（美）坎南·曼尼，唐·沙利文 這樣論述：

本書共12章，第1～3章介紹Oracle和vSphere的基本理念，Oracle在vSphere平台中的應用，各種不同的角色和作用，還討論各種等級負載問題，以及各種用於優化虛擬化基礎設置性能的體系結構和架構思想；第4章介紹關於高負載的佳開發實踐，並深入剖析Oracle在vSphere平台中的應用；第5章介紹高可用性領域以及所有可用的、滿足每一個服務等級協議的選擇；第6章將深入講解vSphere平台上Oracle的性能優化所必須掌握的技術細節；第7章討論Oracle的許可和支持，專門論述專業的Oracle技術支持團隊；第8章介紹性能檢測和管理，以及基礎設施與應用管理；第9章著

重討論災難恢復，涉及VMware的站點恢復管理器（SRM）和Oracle數據衛士；第10章講解備份和還原，並從vSphere平台與存儲的角度闡述快照的概念；第11章超過應用層，囊括Oracle和企業關鍵應用等內容，並關注基礎設施管理；第12章分享一些成功的案例研究。作者簡介坎南·曼尼（Kannan Mani，@kantwit），VMware公司Oracle解決方案架構師。坎南已加入VMware公司4年多，參與虛擬機平台上的開發和關鍵業務Oracle數據庫架構工作。幫助全球的用戶和合作伙伴成功地在vSphere平台上虛擬化Oracle。坎南之前是NetApp公司的架構專家。在那里，他在NetAp

p存儲器上架設並開發Oracle解決方案。在到NetApp公司之前，坎南是Unisys公司的一名架構師，在那里他領導卓越Oracle中心。坎南是Oracle方面的領域專家，專注於Oracle技術在不同平台（存儲器和虛擬化）上的應用，並且出版了大量面向用戶的、Oracle和數據庫技術方面的技術文檔。坎南有超過17年的IT從業經驗。他的專長包括Oracle實時應用集群（RAC）、自動化存儲管理（ASM）、聚類、客戶關系管理（CRM）、企業資源規划（ERP）、商務智能、高性能和可升級的企業架構、性能檢測、技術解決方案營銷和管理、虛擬化和雲計算。坎南經常在IOUG、VMworld、VMware Par

tner Exchange、Oracle Open World、EMC World、NetApp Insight、SNIA等發表演講。他也是Oracle技術的傳播者。坎南是甲骨文公司認證的Oracle ACE，被VMware公司聘任為CTO Ambassador和虛擬化專家。坎南擁有計算機應用專業和商業管理技術專業的雙碩士學位。唐·沙利文（Don Sullivan），Oracle認證大師，虛擬化專家，VMware公司CTO Ambassador。2010年6月加入VMware公司作為系統工程師、數據庫專家、全美Oracle解決方案架構師。他服務過大量的客戶和合作伙伴，專注於在vSphere平台

上運行Oracle、SQL以及其他的高工作負載系統。目前，在VMware公司擔任關鍵業務應用的生產線營銷經理。唐經常在數據庫和虛擬化的專題會議上發表演講。1996年，在亞利桑那州立大學取得碩士學位後，唐專注於采用Sybase TxSql進行邏輯數據庫設計，並搬家到丹佛市成為一名簽約DBA。隨後在AT&T公司擔任Sybase和Oracle數據庫的簽約DBA。1998年，他加入Oracle公司和Oracle大學成為一名資深的主講教師，主講服務器產品。他曾擔任服務器基礎課程講師6年，講授包括所有新特性課程、OPS/RAC、備份和還原、性能優化、SQL優化、數據保護，以及數據服務器構件（DSI

）課程，授課時所用的Oracle版本包括從7.3到10g。他是Oracle認證大師課程的發起人之一，也是早的Oracle認證大師之一，曾聯合編寫了MySQL性能優化教材。2004年，他成為一名Oracle高級技術服務（ATS）顧問並且在接下來的18個月里，參與了大量的概念論證（POC）工作以及其他的售後服務工作。在2005年，唐加入Polyserve公司做面向用戶Oracle解決方案的首席架構師。盡管他的職責主要是售前，但是他也與所有的Polyserve用戶建立了密切的關系，為他們的Oracle部署問題提供指導，可以說售前、售後全部參與。2007年，Polyserve被惠普收購，他也繼續在惠普

效力。在能力方面，從2009年到2013年，他花了大部分時間參與客戶的研討班和討論會，專注於網絡文件系統（NFS）中的Oracle應用問題。2010年，唐加入VMware公司作為一名面向用戶的系統工程師和數據庫專家。另外，唐也是一名項目經理，負責多個項目的跨企業性能壓力測試等。後，唐負責管理VMworld的虛擬化應用版塊和VMware的系列數據庫選型研討會。

類自主機器學習與捲積加速器之研究與合成

為了解決ops主機的問題，作者劉邦彥 這樣論述：

由於深度網路的興盛，人工智慧已經大量應用我們的生活中，本論文研究出一種類自主機器學習方法，其結合了對偶學習和生成對抗網路的學習方式，使神經網路的訓練不在需要有標籤的資料，而是以無監督的方式利用無標籤資料進行自主學習。在神經網路加速器的設計方面，我們探討了捲積神經網路(CNN)各種平行化的可能性，並使用高階合成工具Vivado HLS，以高階語言實現高度可平行化的捲積神經網路硬體架構，最後透過貝葉斯優化在硬體執行時間與所使用的FPGA資源進行權衡，探索出多種不同的加速器設計方案。實驗結果顯示貝葉斯優化能夠有效的探索出多種資源替代的設計方案，並探索出一種設計其與我們人工設計相比只使用了30%的D

SP達到與我們一樣的硬體執行速度。