873f441c0df8/p1_2.jpg) ## 内容大纲 ➢ TensorFlow使用现状及痛点 ➢ TensorFlow on Yarn设计 ➢ TensorFlow on Yarn技术细节揭秘 ➢ 深度学习平台演进及SparkFlow介绍 ## 背景 坐标：360-系统部-大数据团队 专业：Yarn、Spark、MR、HDFS … 挑战：深度学习空前火爆，各种深度学习框架层 InterResult_2017_04_11_15_47_51 Event log上传到了HDFS ## TensorFlow on Yarn技术细节揭秘 ## 实现Yarn Application的标准流程: ![Image](/uploads/documents/3/c/8/6/3c8605215c91326185ac873f441c0df8/p16_2 ## TensorFlow on Yarn技术细节揭秘 ## 集成TensorFlow到Yarn面临的特定问题： • 如何自组织ClusterSpec信息 • 训练数据的划分 • 如何启动Tensorboard服务 • 如何降低迁移成本 • 已分配的物理GPU设备号到用户态GPU设备号的映射 ## TensorFlow on Yarn技术细节揭秘 ## 自动构建ClusterSpec的流程图：

\right\rceil $  ## 技术细节 • 本质上：多个进程监听同一个端口 - 高版本linux直接支持 - 低版本 linux 方案 • 父进程Listen · 子进程Accept #include  ## 技术细节 • 服务态 –调用Accept，获取新的请求 · 等待态 –不调用Accept，已经连接的client，可以继续收发 –等待这些已有的连接关闭 · 垃圾收集态 -主动调用GC ##

GNU make 的 Makefile 的所有细节了。其它的厂商的 make 基本上也就是这样的，无论什么样的 make，都是以文件的依赖性为基础的，其基本是都是遵循一个标准的。这篇文档中 80% 的技术细节都适用于任何的 make，我猜测“函数”那一章的内容可能不是其它 make 所支持的，而隐含规则方面，我想不同的 make 会有不同的实现，我没有精力来查看 GNU 的 make 和 VC 的 nmake、BCB 共享给大家，希望能对各位有所帮助。 现在我终于写完了，看了看文件的创建时间，这篇技术文档也写了两个多月了。发现，自己知道是一回事，要写下来，跟别人讲述又是另外一回事，而且，现在越来越没有时间钻研技术细节，所以在写作时，发现在阐述一些细节问题时很难做到严谨和精炼，而且对先讲什么后讲什么不是很清楚，所以，还是参考了一些国外站点上的资料和提纲，以及一些技术书籍的语言风格，才得以完成。整篇文档的提纲是基于

Java Chassis 1.0.0-m1 让微服务运行状态清晰可见 郑扬勇 微服务架构师 开源能力中心 ## 目录 • Metrics简介 • 基于BMI示例演示 • Metrics技术细节 ## Metrics是什么 - 直译是 “度量”， 不同的领域定义有所区别， 在微服务领域中的定义： “对微服务的某个指标给予一个可量化程度的测量” • Metrics应该具备的特性: -

Kafka 从 0.7 到 1.0：那些年我们踩过的坑 ● Apache Kafkaの概要とアーキテクチャ • Apache RocketMQ ● 专访RocketMQ联合创始人：项目思路、技术细节和未来规划 • The Apache Software Foundation Announces Apache $ ^{®} $ RocketMQ $ ^{™} $ as a Top-Level

不一定要创建新软件包。对已有软件做出贡献也是成为 Debian Developer 的理想途径。眼下正有很多软件包等着好的维护者来接手 (参看第 2.2 节)。 在这篇文档里，我们的重点在于制作软件包的技术细节。有关 Debian 是如何运转的，以及如何才能参与到其中之类的话题，请参考下边的文档： • Debian: 17 years of Free Software, "do-ocracy" • developers-reference - Debian 开发者参考 (http://www.debian.org/doc/devel-manuals#devref) 描述了打包所需的包含技术细节在内的全部详细信息，如仓库结构、如何重命名/丢弃/接手软件包、如何进行 NMU(非维护者上传)、如何管理 Bug 以及打包最佳实践、何时向何处上传等。(参见 /usr/share/doc/deve

>>> PyCon China 2022 面向应用服务提供解决方案或一般性方法。 提供模型生命周期中 科配置的各类功能组件。 实现框架最基础、最核心的功能，帮助开发者屏蔽底层硬件技术细节。 生态层 组件层 基础层  ##

RocketMQ's Past, Present, and Future. InfoQ 2. Apache RocketMQ背后的设计思路与最佳实践. 云栖社区 3. 专访RocketMQ联合创始人：项目思路、技术细节和未来规划. InfoQ 4. 万亿级数据洪峰下的分布式消息引擎. 电子书节选章节 5. 捐赠Apache背后那些鲜为人知的故事. 中间件博客节选

## ●Python Profiling的场景与技术原理 ➢场景：即时 VS 持续 ➢技术原理 确定剖析 VS 采样剖析 函数粒度VS 行粒度 物理时间VS CPU 时间 技术全景概览 技术细节探索 ## ●Python Profiling的工具链和解决方案 ➢CPU: cProfile、Profile、Pyinstrument、line-profiler，py-spy ➢Memory