Hacktoberfest 2026: le issue che i maintainer hanno segnato per ottobre, aperte e adatte ai principianti. Sfoglia le issue Hacktoberfest

Ability to define number of CPU/GPUs to be used when creating the TF Session

Aperta
#136 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
5/5
Tempo stimato
Più di una settimana
Idoneità per principianti
25/100
Tipo di issue
Funzionalità
Chiarezza
Da chiarire
Stato di attività
Ferma
Stack tecnologico
scala, spark, tensorflow
Ambito
distributed-systems, machine-learning

Direzione di ricerca

Iniziate individuando dove tensorframes crea la TensorFlow Session all’interno dei nodi executor di Spark, quindi esaminate la gestione delle risorse e della configurazione circostanti. Definite come i chiamanti dovrebbero specificare il numero di CPU e GPU e come dovrebbe essere verificato il completamento senza rivendicare risorse appartenenti a workload non correlati; l’issue non indica file o test, quindi è prima necessario stabilire il punto di ingresso rilevante e l’approccio di validazione.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

Tensorflow provides means to specify the number of CPU/GPUs to be used for each Session. Otherwise, it will try to use all CPUs available in the machine. Currently tensorframes does provide any means to specify this information and it ends up tensorflow using all the CPU cores in the executor nodes. This is more problematic when an executor has more than one cores assigned which results in more contention. An alternative would be to set only one core for each executor but this is not optimal in mix workloads where CNN inference is only a part of the workload.

Lingua principale
Scala
Stelle
743
Fork
158
Nessuna PR unita negli ultimi 30g

Guida per i contributori

Nessuna guida per i contributori indicizzata per questo repository

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di databricks/tensorframes

Tutte le issue di databricks/tensorframes

Issue simili

Altre issue su Scala

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.