معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Interactions between Dask and Tensorflow

ویژگی	مقدار
سیستم عامل	-
نام فایل	dask-tensorflow-0.0.2
نام	dask-tensorflow
نسخه کتابخانه	0.0.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Matthew Rocklin
ایمیل نویسنده	mrocklin@gmail.com
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/dask-tensorflow/
مجوز	BSD

Dask-Tensorflow =============== .. |Build Status| image:: https://travis-ci.org/mrocklin/dask-tensorflow.svg?branch=master :target: https://travis-ci.org/mrocklin/dask-tensorflow Start TensorFlow clusters from Dask Example ------- Given a Dask cluster .. code-block:: python from dask.distributed import Client client = Client('scheduler-address:8786') Get a TensorFlow cluster, specifying groups by name .. code-block:: python from dask_tensorflow import start_tensorflow tf_spec, dask_spec = start_tensorflow(client, ps=2, worker=4) >>> tf_spec {'worker': ['192.168.1.100:2222', '192.168.1.101:2222', '192.168.1.102:2222', '192.168.1.103:2222'], 'ps': ['192.168.1.104:2222', '192.168.1.105:2222']} This creates a ``tensorflow.train.Server`` on each Dask worker and sets up a Queue for data transfer on each worker. These are accessible directly as ``tensorflow_server`` and ``tensorflow_queue`` attributes on the workers. More Complex Workflow --------------------- Typically then we set up long running Dask tasks that get these servers and participate in general TensorFlow compuations. .. code-block:: python from dask.distributed import worker_client def ps_function(self): with worker_client() as c: tf_server = c.worker.tensorflow_server tf_server.join() ps_tasks = [client.submit(ps_function, workers=worker, pure=False) for worker in dask_spec['ps']] def worker_function(self): with worker_client() as c: tf_server = c.worker.tensorflow_server # ... use tensorflow as desired ... worker_tasks = [client.submit(worker_function, workers=worker, pure=False) for worker in dask_spec['worker']] One simple and flexible approach is to have these functions block on queues and feed them data from dask arrays, dataframes, etc. .. code-block:: python def worker_function(self): with worker_client() as c: tf_server = c.worker.tensorflow_server queue = c.worker.tensorflow_queue while not stopping_condition(): batch = queue.get() # train with batch And then dump blocks of numpy and pandas dataframes to these queues .. code-block:: python from distributed.worker_client import get_worker def dump_batch(batch): worker = get_worker() worker.tensorflow_queue.put(batch) import dask.dataframe as dd df = dd.read_csv('hdfs:///path/to/*.csv') # clean up dataframe as necessary partitions = df.to_delayed() # delayed pandas dataframes client.map(dump_batch, partitions)

نیازمندی

مقدار	نام
-	dask
-	distributed
-	tensorflow

نحوه نصب

نصب پکیج whl dask-tensorflow-0.0.2:

pip install dask-tensorflow-0.0.2.whl

نصب پکیج tar.gz dask-tensorflow-0.0.2:

pip install dask-tensorflow-0.0.2.tar.gz