- 综合排序
- 最热优先
- 最新优先
- 来自专栏coding for love
4-9 css 文件的代码分割
本节主要是介绍 MiniCssExtractPlugin 插件，该插件用于将 css 提取成单独的文件。
70430发布于 2020-03-20 - 来自专栏鸿的学习笔记
聊聊并行并行编程
并行编程主要聚焦于性能，生产率和通用性上。 所谓性能，更像是可扩展性以及效率。不再聚焦于单个CPU的性能，而是在于平均下来CPU的性能。 并行和并发有着小小的区别：并行意味着问题的每个分区有着完全独立的处理，而不会与其他分区进行通信。并发可能是指所有的一切事务， 这可能需要紧密的，以锁的形式或其他的互相通信的方式形成的相互依赖。 因为并行编程的相对较难，导致工程师的生产率不会太高，会聚焦于更精密的细节，花费大量的时间。 并行任务变得复杂不仅仅在于之上的原因，更因为： 1.对代码，对任务的分割，这会导致错误处理以及事件处理更为复杂。如果并行程序之间会牵扯到交互，通信的时间成本，共享资源的分配和更新更为复杂。 2.并行访问控制，单线程的应用程序可以对本实例中的所有资源具有访问权，例如内存中的数据结构，文件之类的。
1.2K10发布于 2018-08-06 - 来自专栏yaphetsfang
数据并行和任务并行
OpenCL并行加减乘除示例——数据并行与任务并行 版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/zhouxuanyuye/article/details/79949409 OpenCL并行加减乘除示例——数据并行与任务并行 关键词：OpenCL; data parallel; task parallel 数据并行化计算与任务并行化分解可以加快程序的运行速度。 这种办法对不同的数据使用相同的核函数，称为数据并行。 ? 图3. (task parallel) 另外还有一种就是任务并行化，可以使所有功能函数内部的语句并行执行，即任务并行化，如本文中的功能函数可以分解为“加减乘除”这四个任务，可以产生“加减乘除”四个核函数，让四个函数同时执行
2.1K30发布于 2020-07-30 - 来自专栏计算机技术-参与活动
算力共享：数据并行，模型并行，流水线并行，混合并行策略
# 算力共享：混合并行策略混合并行策略是在深度学习模型训练过程中，综合运用多种并行技术来加速训练过程的方法。以下是常见的并行技术以及混合并行策略的举例： 一、常见并行技术1. **DeepSpeed和Alpa框架的混合并行** - **策略**：在单机多卡场景下，优先采用张量并行（一种模型并行方式），将模型的计算密集型部分（如大规模矩阵运算）在多个GPU上并行执行，充分利用单机的计算资源 **Megatron - LM的混合并行** - **策略**：结合了**数据并行和模型并行**。 通过数据并行来利用多个GPU处理不同的数据子集，同时采用模型并行（如张量并行和流水线并行）来处理模型过大无法在单个GPU上运行的问题。 - 在模型并行方面，对于Transformer架构中的矩阵乘法等操作，采用张量并行进行切分计算。
78110编辑于 2025-01-01 - 来自专栏yaphetsfang
C#数据并行和任务并行
C# 并行任务——Parallel类 一、Parallel类 Parallel类提供了数据和任务的并行性； 二、Paraller.For() Paraller.For()方法类似于 使用Paraller.For()方法，可以并行运行迭代，迭代的顺序没有定义。 在For()方法中，前两个参数是固定的，这两个参数定义了循环的开头和结束。 四、Parallel.Invoke() Parallel.Invoke()方法，它提供了任务并行性模式。 Parallel.ForEach()用于数据并行性，Parallel.Invoke()用于任务并行性；
1.8K20发布于 2020-07-30 - 来自专栏计算机工具
模型并行、数据并行、流水线并行以及混合并行的适用场景、优劣
模型并行、数据并行、流水线并行以及混合并行的适用场景、优劣- **数据并行** - **适用场景**：**适用于模型规模相对较小，能够在单个计算设备（如 GPU）上完整运行**，但训练数据量巨大的情况 通过将模型划分为多个阶段，不同阶段在不同的计算设备上并行执行，类似于工厂的流水线作业，数据依次经过各个阶段进行处理，能够实现较高的**并行效率**。 例如在训练大型多模态模型（结合文本、图像、音频等多种数据）或超大规模的语言模型时，混合并行可以充分发挥不同并行策略的优势。 - **优点**：结合了**数据并行、模型并行和流水线并行的优点，能够根据模型结构、数据特点和硬件资源的实际情况**，灵活地调整并行策略，实现最优的训练效率。 *张量并行**）将其切分到多个 GPU 上计算；同时，对于模型的整体结构，可以采用**流水线并行将模型按层划分为多个阶段在不同 GPU 上执行**，通过这种混合并行的方式全面提升训练速度和效率。
60321编辑于 2025-01-05 - 来自专栏海风
TPU中的指令并行和数据并行
高性能的多来自于并行，因此本文分别讨论了指令并行和数据并行的设计方法。 为了获得更高的性能，可以采用一系列的常规方法进行设计，包括 指令并行，即一次性处理更多指令，让所有执行单元高效运行 数据并行，即一次性处理多组数据，提高性能 后文会针对这两点做进一步描述，并简单讨论 根据指令流和数据流之间的对应关系，可以将处理器分为以下几个类别 SISD，单指令流单数据流，顺序执行指令，处理数据，可以应用指令并行方法 SIMD，单指令流多数据流，同一指令启动多组数据运算，可以用于开发数据级并行 MISD，多指令流单数据流，暂无商业实现 MIMD，多指令流多数据流，每个处理器用各种的指令对各自的数据进行操作，可以用在任务级并行上，也可用于数据级并行，比SIMD更灵活 由于TPU应用在规则的矩阵 /卷积计算中，在单个处理器内部的设计上，SIMD是数据并行的最优选择。
2.3K20发布于 2019-07-31 - 来自专栏漫漫全栈路
C#并行与多线程——Parallel并行
并行Parallel 在Parallel下面有三个常用的方法invoke,For和ForEach。 先说下StopWatch，这个类主要用于测速，记录时间。 很直观的看出，使用Parallel.Invoke()之后，Run1和Run2是并行执行的，一共用时3s（3000ms左右），而直接运行Run1和Run2则耗时5s。 Parallel.For实际上是并行执行了循环，因为内部只是一个单纯的累加，因此效率差异明显，但是并非所有的场景都适合使用并行循环。 修改一下上面的方法。 ."); } 改为操作一个全局变量的累加，这个时候由于并行请求，需要等待调用内存中的全局变量num，效率反而降低。 同样的，由于并行处理的原因，For的结果并不是按照原有顺序进行的： public void ParallelForCW() { Parallel.For(0, 100, i => { Console.Write
5.6K20发布于 2019-12-09 - 来自专栏晏霖
并发与并行
并行是指多个处理器或者是多核的处理器同时处理多个不同的任务。在开发中也是无时无刻用到并行操作，例如处理集合我们可以使用parallelStream()并行流处理方法，他是线程不安全，用的时候要注意。 我们用下面两个图形象说明并发和并行。 ? 图 2-2 ? 图2-3 2.2.2并发、并行、线程之间的关系 我们利用一组图说明并发、并行和多线程的关系 ? 从图2-3我们看出并行需要两个或两个以上的线程跑在不同的处理器上，因此并行是物理上的同时发生，是真实的同时。 通过上面的解释我们应该对线程、并发和并行有了一定认识，因此并发编程的目标是充分的利用处理器的每一个核，以达到最高的处理性能。并行包含并发，但并发小于并行。 2.2.3并发和并行的区别 此小章节的内容是对上面并发与并行找出不同点，并发与并行本身就是一种概念性的理解，他可以理解成程序执行的一种模型，并发和并行离不开线程，无论是并发还是并行都是多核CPU在多线程下的执行形式
1.3K10发布于 2020-11-24 - 来自专栏机器之心
分布式训练中数据并行远远不够，「模型并行+数据并行」才是王道
来自加州大学洛杉矶分校和英伟达的研究人员探索了混合并行化方法，即结合数据并行化和模型并行化，解决 DP 的缺陷，实现更好的加速。 数据并行化（Data parallelism，DP）是应用最为广泛的并行策略，但随着数据并行训练设备数量的增加，设备之间的通信开销也在增长。 图 2：不同的训练并行化策略，2(a) 展示了数据并行化训练，2(b) 展示了模型并行化训练。 该研究发现，在规模较大的情况下，混合训练在最小化端到端训练时间方面比仅使用 DP 更加高效。 该研究的贡献如下： 当 DP 愈加低效时，可以使用混合并行化策略（即每个数据并行化 worker 在多个设备上也是模型并行化的）进一步扩展多设备训练。 这部分量化了使用数据并行策略的训练时间、使用模型并行策略的训练时间，以及使用混合并行策略的训练时间（详情参见原论文），并得出结论：在一定条件下，混合并行策略的效果优于仅使用 DP。
1.3K20发布于 2019-09-03 - 来自专栏Spark学习技巧
Flink并行度
并行执行 本节介绍如何在Flink中配置程序的并行执行。FLink程序由多个任务（转换/操作符、数据源和sinks）组成。任务被分成多个并行实例来执行，每个并行实例处理任务的输入数据的子集。 任务的并行实例的数量称之为并行性。 如果要使用保存点，还应该考虑设置最大并行性（或最大并行性）。当从保存点还原时，可以改变特定运算符或整个程序的并行性，并且该设置指定并行性的上限。 执行环境为其要执行的操作算子，数据源，数据sinks都是设置了默认的并行度。执行环境的并行度可以通过操作算子显示指定并行度来覆盖掉。 默认的执行环境并行度可以通过调用setParallelism()来设置。 设置最大并行度 设置最大并行度，实际上调用的方法是setMaxParallelism()，其调用位置和setParallelism()一样。
2.6K10发布于 2018-08-01 - 来自专栏ops技术分享
jenkins并行构建
通过仔细分析你会发现，这些测试是可以并行执行的。就像原来只有一个测试人员，要测试4个浏览器，他只能测试完一个浏览器，再测试另一个浏览器，但是现在有4个测试人员，他们就可以同时进行测试。 很明显，Jenkins pipeline插件支持这种并行构建，并且使用起来也非常简单。 位于parallel块下的阶段都并行执行，而且并行阶段还可以被分到不同的Jenkins agent上执行。 如果希望所有并行阶段中的某个阶段失败后，就让其他正在执行的阶段都中止，那么只需要在与parallel块同级的位置加入failFast true就可以了。
1.9K10发布于 2021-06-01 - 来自专栏Python基础、进阶与实战
Python 并行输出
python-parallel-output/ 代码：https://gist.github.com/tekknolagi/4bee494a6e4483e4d849559ba53d067b Python 并行输出 使用进程和锁并行输出多个任务的状态。 最终效果：并行输出多个任务状态 注：以下代码在linux下可用，windows下可能要进行修改。 但随后你发现了一件好事：你的程序是数据并行。也就是说，您可以并行处理： 有点吵 import multiprocessing # ...
49110编辑于 2024-04-19 - 来自专栏王清培的专栏
.NET并行编程实践（一：.NET并行计算基本介绍、并行循环使用模式）
阅读目录： 1.开篇介绍 2.NET并行计算基本介绍 3.并行循环使用模式 3.1并行For循环 3.2并行ForEach循环 3.3并行LINQ（PLINQ） 1】开篇介绍 最近这几天在捣鼓并行计算 ，发现还是有很多值得分享的意义，因为我们现在很多人对它的理解还是有点不准确，包括我自己也是这么觉得，所以整理一些文章分享给在使用.NET并行计算的朋友和将要使用.NET并行计算的朋友； NET并行编程推出已经有一段时间了 ，这不太符合我们对.NET并行的强大技术的理解，所以自己搞了点资料看看，实践了一下，发现在使用.NET并行技术的时候需要注意一些细节，这些细节看代码是看不出来的，所以我们看到别人这么用我们就模仿这么用， 既然是.NET并行计算，那么我们首先要弄清楚什么叫并行计算，与我们以前手动创建多线程的并行计算有何不同，好处在哪里；我们先来了解一下什么是并行计算，其实简单形容就是将一个大的任务分解成多个小任务，然后让这些小任务同时的进行处理 ； 下面我们将接触.NET并行计算中的第一个使用模式，有很多并行计算场景，归结起来是一系列使用模式； 3】并行循环模式 并行循环模式就是将一个大的循环任务分解成多个同时并行执行的小循环，这个模式很实用；
2.1K100发布于 2018-01-05 - 来自专栏MySQL修行 | 老叶茶馆
GreatSQL重磅特性，InnoDB并行并行查询优化测试
InnoDB并行查询优化怎么实现的？ 根据B+树的特点，可以将B+树划分为若干子树，此时多个线程可以并行扫描同一张InnoDB表的不同部分。 #global级别，设置并行查询的开关，bool值，on/off。 默认off，关闭并行查询特性。可在线动态修改。 force_parallel_execute = ON #global级别，设置系统中总的并行查询线程数。 可以看到执行计划输出中包含 Parallel execute (4 workers) 关键字，这就表示最高可并行4个线程查询。 好了，直接查看结果对比数据： TPCH 并行扫描（默认参数）耗时（秒） 并行扫描（参数优化后）耗时（秒） 未优化前耗时（秒） 并行扫描 vs 未优化前的提升 提高查询并行读优化后提升 Q1 616.407015
1.3K10发布于 2021-08-26 - 来自专栏python3
python 合并行
cu上的一个问题 http://bbs.chinaunix.net/viewthread.php?tid=1827378&page=1&extra=#pid13223240 cat 1 4056 78
1.1K30发布于 2020-01-13 - 来自专栏朱永胜的私房菜
脏读
为什么需要避免脏读？ 脏读需要被避免，因为它会导致数据的不一致性。如果一个事务依赖于另一个事务尚未提交的数据，它可能会做出错误的决策或计算。 脏读的实现原理？ 脏读是并发控制中的一个现象，其实现原理与数据库的事务隔离级别密切相关。 脏读的优点 在大多数情况下，脏读并没有优点，因为它通常会导致数据的不一致性。然而，可以认为在某些非常特定的场景中，允许脏读可以提高数据库的并发性能。 6. 脏读的使用注意事项 隔离级别：应该设置合适的事务隔离级别，通常至少是 READ COMMITTED，以避免脏读。 总结 脏读是一个应该在大多数数据库应用中避免的现象。通过设置适当的事务隔离级别，可以预防脏读，保持数据的一致性和完整性。
39640编辑于 2023-11-09 - 来自专栏生信菜鸟团
读《Bookdown》
趁年轻，读几本硬书，到老了慢慢反刍。 R语言是主要在学术界用的编程语言，写作是其内涵之义，于是有了 RMarkdown。
1.1K30编辑于 2022-05-24 - 来自专栏分享学习
MySQL中的脏读与幻读
MySQL中的脏读与幻读 引言 在数据库事务处理中，**脏读（Dirty Read）和幻读（Phantom Read）**是两种常见的数据一致性问题，尤其在多事务并发场景下容易发生。 脏读（Dirty Read） 定义：事务A读取了事务B未提交的数据，随后事务B回滚，导致事务A读取的数据无效。 事务隔离级别 MySQL通过设置不同的事务隔离级别来控制并发问题： 隔离级别 脏读 不可重复读 幻读 READ UNCOMMITTED ✔️ ✔️ ✔️ READ COMMITTED ✖️ ✔️ ✔️ 解决幻读： MySQL的REPEATABLE READ通过多版本并发控制（MVCC）和Next-Key Locks实际可避免大部分幻读。 五、总结 脏读和幻读的根源在于事务并发与数据可见性。通过合理设置隔离级别、锁机制和业务层控制，可以在性能和数据一致性之间找到平衡。理解不同解决方案的适用场景，是设计高可靠数据库系统的关键。
55810编辑于 2025-05-18 - 来自专栏AI机器学习与深度学习算法
机器学习入门 4-9 更多有关k近邻算法的思想
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要使用kNN算法解决回归问题的思路以及回顾总结前面学习到的知识。
46200发布于 2019-11-13
腾讯云开发者
