python訓(xùn)練好的tensorflow模型可否并行多線程在服務(wù)器上運行？怎么實現(xiàn)？模型本身只是一組參數(shù)和框架。使用多個線程運行取決于應(yīng)用程序方法，與訓(xùn)練無關(guān)。如果能夠部署分布式計算，就可以實現(xiàn)多線程

python訓(xùn)練好的tensorflow模型可否并行多線程在服務(wù)器上運行？怎么實現(xiàn)？

模型本身只是一組參數(shù)和框架。使用多個線程運行取決于應(yīng)用程序方法，與訓(xùn)練無關(guān)。如果能夠部署分布式計算，就可以實現(xiàn)多線程、多服務(wù)器的分布式計算。如果我們不能部署它，那就沒辦法了。

什么叫分布式部署？

分布式體系結(jié)構(gòu)是部署模式之一。分布式體系結(jié)構(gòu)主要用于描述體系結(jié)構(gòu)設(shè)計。當(dāng)然，現(xiàn)在有各種各樣的新用途。集群是一種硬件部署方式，是部署在機房內(nèi)的計算機組的集中名稱。分布式網(wǎng)站集群系統(tǒng)是一種多網(wǎng)站架構(gòu)模式，支持獨立網(wǎng)站和多個網(wǎng)站的生成，完成各網(wǎng)站橫向和縱向集成網(wǎng)站群的構(gòu)建。主站、分站、網(wǎng)站信息共享互聯(lián)。簡言之：即企業(yè)/個人可以像申請博客一樣自行建立、維護和更新網(wǎng)站，而分布式則是分別解決問題，即系統(tǒng)分布在多個不同的服務(wù)器上。

Keras還是TensorFlow，程序員該如何選擇深度學(xué)習(xí)框架？

如果您想用少量代碼盡快構(gòu)建和測試神經(jīng)網(wǎng)絡(luò)，keras是最快的，而且順序API和模型非常強大。而且keras的設(shè)計非常人性化。以數(shù)據(jù)輸入和輸出為例，與keras的簡單操作相比，tensorflow編譯碼的構(gòu)造過程非常復(fù)雜（尤其對于初學(xué)者來說，大量的記憶過程非常痛苦）。此外，keras將模塊化作為設(shè)計原則之一，用戶可以根據(jù)自己的需求進行組合。如果你只是想快速建立通用模型來實現(xiàn)你的想法，keras可以是第一選擇。

但是，包裝后，keras將變得非常不靈活，其速度相對較慢。如果高度包裝，上述缺點將更加明顯。除了一些對速度要求較低的工業(yè)應(yīng)用外，由于tensorflow的速度較高，因此會選擇tensorflow

如果您在驗證您的想法時，想定義損失函數(shù)而不是使用現(xiàn)有的設(shè)置，與keras相比，tensorflow提供了更大的個性空間。此外，對神經(jīng)網(wǎng)絡(luò)的控制程度將在很大程度上決定對網(wǎng)絡(luò)的理解和優(yōu)化，而keras提供的權(quán)限很少。相反，tensorflow提供了更多的控制權(quán)，比如是否訓(xùn)練其中一個變量、操作梯度（以獲得訓(xùn)練進度）等等。

盡管它們都提供了深度學(xué)習(xí)模型通常需要的功能，但如果用戶仍然追求一些高階功能選擇，例如研究特殊類型的模型，則需要tensorflow。例如，如果您想加快計算速度，可以使用tensorflow的thread函數(shù)來實現(xiàn)與多個線程的相同會話。此外，它還提供了調(diào)試器功能，有助于推斷錯誤和加快操作速度。