TensorFlow-code Swig
前端多语言编程环境与后端C++实现系统的通道归功于 Swig 的包装器
TensorFlow使用Bazel的构建工具，在系统编译之前启动Swig的代码生成过程，通过tensorflow.i自动生成了两个适配 (Wrapper)文件：
- pywrap_tensorflow_internal.py: 负责对接上层 Python 调用；
- pywrap_tensorflow_internal.cc: 负责对接下层 C API 调用。
pywrap_tensorflow_internal.py 模块被导入时，会加载_pywrap_tensorflow_internal.so动态链接库，它里面包含了所有运行时接口的符号。而pywrap_tensorflow_internal.cc中，则注册了一个函数符号表，实现Python接口和C接口的映射。运行时，就可以通过映射表，找到Python接口在C层的实现了。
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 Estom的博客！
相关推荐
2021-04-10
1.6 合成复用原则
1 合成复用原则概念 合成复用原则：优先使用对象组合，而不是通过继承来达到复用的目的。 根据UML类图关系，合成复用原则指导在软件设计时，优先使用关联、聚合和组合关系，尽量少用泛化（继承）。对象组合可以使系统更加灵活（黑箱复用），降低类与类之间的耦合度，一个类的变化尽可能不影响其他类（父类和子类耦合度高不高？）。如果要使用继承，则需考虑里氏代换原则和依赖倒转原则。继承关系会破坏系统的封装性，会将基类的实现细节暴露给子类（白箱复用），如果基类发生改变，那么子类的实现也不得不改变。
2019-09-30
2019.11.01-2019.11.31
文献阅读内容整理主题：群体智能与协同防御课题目标将群体智能与网络安全技术进行结合，实现局域网范围内的协同防御。 主要对象局域网内的计算机、工控设备、打印机等网络设备。 主要任务 能够从局域网内的不同设备采集数据。群智感知？分布式数据采集？显然主要任务是实现分布式数据采集。群智感知的对象是分布式网络中的智能个体-人。人后通过智能个体构成的分布式网络实现对整个社会的感知任务。然而在我们的目标当中，每个对象都是计算机，不需要激励机制，不需要设备对象感知社会。不过也存在这么一种情况。如果是分布式的群体智能的话，即没有中央控制的智能设备的话，智能个体之间的交互是否可以存在两种形式：请求响应，主动分发。通过这两种形式，实现局域网络内智能设备的沟通与同步，实现知识积累后的传递。综上所述，群智感知领域的论文可能不太适合，应该是分布式数据采集的能力。关于构想的模型，分布式数据采集，是否需要中央控制器。群体智能与协同防御是否是中央控制网络还是分布式控制网络。如果要实现分布式控制网络，每个个体可能都是一个能够独立完成任务的独立个体。所以相比中央控制的网络具有哪些优势？就像传统的360安全控制一样，有统...
2021-03-09
3 UML笔记之图和视图
UML构造块——图的解释 UML中的图可分为两大类：结构图和行为图。结构图描绘系统中事物的组成及结构关系；行为图描绘系统中事物间的相互交互行为。下面是UML图的组成，如图23所示。（图是根据UML中存在的构造块进行说明的，视图是根据要具体解决的问题对系统进行说明。也就是说，要想完成某个视图，需要使用一个或者多个UML中的构造块，由事物构成的图） 图23 UML图的组成 1．结构图（静态结构图） 结构图又分为6种，如图24所示。 图6-24 结构图组成 (1)类图 类图是使用UML建模时最常用的图，它展示了系统中的静态事物、它们的结构以及它们之间的相互关系。这种图的典型用法是描述系统的逻辑设计和物理设计。 (2)构件图 构件图可以展示一组构件的组织和彼此间的依赖关系，它用于说明软件系统如何实现，以及软件系统内构件如何协同工作等。 (3)对象图 对象图可以展示系统中的一组对象，它是系统在某一时刻的快照，也可以说对象图是类图在某一时刻的快照。 (4)部署图 部署图可以展示物理系统运行时的架构，同时可以描述系统中的硬件架构和硬件上驻留的软件架构。 (5)组合结构图 组合结构图可以展示...
2021-03-22
43 Pytorch分布式应用
用 PyTorch 编写分布式应用 原文：https://pytorch.org/tutorials/intermediate/dist_tuto.html 作者：SébArnold 先决条件： PyTorch 分布式概述 在这个简短的教程中，我们将介绍 PyTorch 的分布式包。 我们将了解如何设置分布式设置，如何使用不同的交流策略以及如何查看包的一些内部内容。 设置PyTorch 中包含的分布式包（即torch.distributed）使研究人员和从业人员可以轻松地并行化他们在跨进程和机器集群的计算。 为此，它利用了传递消息的语义，从而允许每个进程将数据传递给任何其他进程。 与多处理包相反，进程可以使用不同的通信后端，而不仅限于在同一台计算机上执行。 为了开始，我们需要同时运行多个进程的能力。 如果您有权访问计算群集，则应咨询本地系统管理员或使用您喜欢的协调工具。 （例如 pdsh，clustershell 或其他）。出于本教程的目的，我们将使用以下模板使用一台计算机并分叉多个进程。 123456789101112131415161718192021222324252...
2020-09-26
lasso_demo
套索演示演示如何使用套索选择一组点并获取所选点的索引。回调用于更改所选点的颜色。 这是一个概念验证实现（尽管它可以按原样使用）。将对API进行一些改进。 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374757677from matplotlib import colors as mcolors, pathfrom matplotlib.collections import RegularPolyCollectionimport matplotlib.pyplot as pltfrom matplotlib.widgets import Lassoimport numpy as npclass Datum(object): colorin = mcolors.to_rgba("red") colorout = mcolor...
2021-03-22
46 分布式RPC框架-管道并行化
使用 RPC 的分布式管道并行化 原文：https://pytorch.org/tutorials/intermediate/dist_pipeline_parallel_tutorial.html 作者：Shen Li 先决条件： PyTorch 分布式概述 单机模型并行最佳实践 分布式 RPC 框架入门 RRef 辅助函数： RRef.rpc_sync()， RRef.rpc_async()和 RRef.remote() 本教程使用 Resnet50 模型来演示如何使用torch.distributed.rpc API 实现分布式管道并行性。 可以将其视为单机模型并行最佳实践中讨论的多 GPU 管道并行性的分布式对应物。 注意 本教程需要 PyTorch v1.6.0 或更高版本。 注意 本教程的完整源代码可以在pytorch/examples中找到。 基础知识上一教程分布式 RPC 框架入门显示了如何使用torch.distributed.rpc为 RNN 模型实现分布式模型并行性。 该教程使用一个 GPU 来托管EmbeddingTable，并且提供的代码可以正常工...
