Performance（性能）

在培训机器学习模型时，性能往往是一个重要问题。本节介绍各种优化性能的方法。使用性能指南开始您的调查，然后深入了解高性能模型中详细描述的技术：

• 性能指南，其中包含一系列优化您的TensorFlow代码的最佳实践。

• 高性能模型，其中包含一系列高级技术，用于构建针对不同系统类型和网络拓扑的高度可扩展模型。

• 基准测试，其中包含一系列基准测试结果.XLA（加速线性代数）是用于优化TensorFlow计算的线性代数的实验性编译器。以下指南探索XLA：

• XLA概述，它介绍了XLA。

• 广播语义，它描述了XLA的广播语义。

• 为XLA开发新的后端，解释如何重新定位TensorFlow以优化特定硬件的计算图表性能。

• 使用JIT编译器，它描述XLA JIT编译器，它通过XLA编译和运行TensorFlow图形的一部分，以优化性能。

• 操作语义，这是一个参考手册，描述ComputationBuilder界面中操作的语义。

• 形状和布局，详细说明Shape协议缓冲区。

• 使用AOT编译解释tfcompile了一个将TensorFlow图形编译为可执行代码以优化性能的独立工具。

最后，我们提供以下指南：

• 如何用TensorFlow量化神经网络，它可以解释如何在存储和运行时使用量化来减小模型大小。量化可以提高性能，特别是在移动硬件上。