resize调用gpu gpu调度simple_ondemand

如何进行优化tensorflow 将极大得加速机器学习模型的训练的时间，下面是一下tensorflow性能调优相关的阅读链接：

• tensorflow 性能调优：http://d0evi1.com/tensorflow/performance/ (概括的较为完整) 
• tensorflow:input pipeline性能指南：http://d0evi1.com/tensorflow/datasets_performance/ （https://www.tensorflow.org/guide/data_performance ，该文章是对此文章的中文翻译）

阅读摘要：

• input pipeline 优化：

• 使用 nvidia-smi -l 2 确认一个GPU是否被充分利用；通过gpu 利用率查看瓶颈是否在 input pipeline;
• 生成一个 timeline， 观察等待状态。判断每一阶段的耗时；
• 预估当前训练所需要的吞吐，验证所使用的磁盘，能否支持该吞吐量；

• CPU 预处理：

• 在CPU上面，进行处理 input pipeline 操作。来进行释放GPU;

• 使用Dataset API:

• dataset api 会使用C++多线程机制，会比基于python的queue_runner的开销更低；使用 feed_dict 来进行装载数据将会存在性能问题；

• 针对于数据集进行融合和裁剪，也能已经程度上加快tensorflow 的处理速度，在尽量少损失数据的情况下，减少整个数据集的大小，以提高处理速度；
• 使用大文件：

• 读取大量小文件可以极大影响I/O性能。获取最大的I/O吞吐量的其中一种方法是，将数据预取处理成更大的文件（TFRecord文件）。对于更小数据集，最好的方法是加载整个数据集到内存中。

• fused Ops：

• Fused Ops会将多个Op结合成单个kernel来提升性能。在Tensorflow中有许多fused Ops，当可能时XLA会创建fused Ops来自动提升性能。下面的示例会使用fused Ops，可以极大提升性能。

• Fused batch norm: 没看懂，之前没有使用过，所以不知道如何来进行使用；
• 编译安装：缺省的TensorFLow二进制包面向大多数的硬件，以便TensorFlow能为所有人所使用。如果使用CPU进行training或inference，推荐使用CPU的所有优化来编译TensorFlow。开启当前适合于当前CPU的优化；
• GPU优化：数据并行于模型并行，以及考虑GPU之间来进行共享数据；以及CPU 与 GPU 之间的模型共享；
• CPU优化：Intel® 已经添加了Intel® Math Kernel Library for Deep Neural Networks (Intel® MKL-DNN) 支持；