win7下终于有daemon tools了

昨天,daemon tools发布了v4.35.5版，其中sptd驱动更新到了1.62。

我在我的win7 x64下装了，用起来很好，没有遇到什么问题

此博客中的热门博文

少写代码，多读别人写的代码

我想给我的电脑前贴个条子：“少写代码，多读别人写的代码”
想要成为一个优秀的程序员真的很不容易。
不是说天天读英语听英语，英语水平就会好。只有在刻意学习的时候，才会有收获。
同样的，不是说天天专心写代码，coding能力就会渐涨。除非刻意的想要提高自己，否则，不出几年就会达到自身的瓶颈。
我才多大啊，比我老练的程序员多了去了，如大海里的沙子。
要天天牢记自己是个渣滓，督促自己少写代码，只写必要的。因为写了就得有人维护，就算自己不嫌累，也不要给别人添麻烦添负担。


继续阅读

在windows下使用llvm+clang

图片
clang是FreeBSD和Mac下C/C++语言的默认编译器。如果你在苹果下做过开发，那么应该对它很熟悉。
这套工具链有很多优点：
代码很新，架构优良。 错误信息更友好。 静态检查功能更强大。 版权限制小，易于自定义模块来扩展它的功能。 背后有Apple和Google这两家商业公司的大力支持。比如XCode现在只支持clang而不支持gcc。 支持JIT。这使得C/C++可以像java那样半编译半解释，一次编译到处执行。 支持所有主流的操作系统。 clang只是一个前端，它背后用来生成二进制机器码的叫llvm。
llvm+clang 在windows下有两种，一个是用mingw编译的，使用gcc的头文件和库。一个是用vc编译的，使用vc的头文件和库。
mingw版本的下载地址是：http://llvm.org/releases/3.6.1/LLVM-3.6.1-win32.exe 这是由官方提供的
vc版本的下载地址是:
google drive下载
这是我自己编译的，32位版本。 想自己编译clang的可参考我之前的文章.
我建议你安装vc版本的。
因为优点是：
它编译出来的是更原生态的程序。不依赖于mingw，只依赖于vc的dll。 我自己编译的这个版本功能更全，包含了llvm的JIT执行器、clang的扩展工具（如把老风格的代码转换成c++11）等等。 性能更高。 但也有一些缺点：
必须依赖于visual studio。请先安装visual studio再安装llvm。 没有安装visual studio的可以从微软的官方网站下载： http://www.microsoft.com/en-us/download/details.aspx?id=40778 。
如果已经有visual studio但是版本不是2013的，请安装vc 2013的可再分发包：http://www.microsoft.com/en-us/download/details.aspx?id=40784
clang安装好以后，你可以先打开它下面的bin目录看一眼，里面有30多个exe。主要比较常用的是：
clang: C语言编译器，类似于gccclang++: C++编译器，类似于g++。clang++只是clang的一个别名。lld: 链接器，类似于ld。但是默认不用它，默认用…
继续阅读

tensorflow distributed runtime初窥

图片
一个Tensorflow的Cluster包含多个Job，一个Job包含多个task，每一个task都是一个进程。
Job相当于Server Role。一般是分成"ps"和"worker"两种。
每个task会有1个或多个device, 如"cpu:0"、"gpu:0"。在创建graph的时候，可以指定node被place到哪个device上。tensor在device和device之间的传输由tensorflow distributed runtime自动完成。这就是tensorflow的分布式的核心设计思想。

tensorflow的分布式设计相比于它的前身DistBelief有什么改变和优势呢？

首先，DistBelief里只有两种角色：parameter server和worker。而tensorflow在摒弃parameter server这个概念，它希望把parameter server做的更generic一些。它认为，parameter server也是既需要做运算，也需要做KV存储，所以它和计算梯度的worker并没有本质的不同，只是它比较“被动”。Google希望，当想尝试一个新的优化算法时，如FTRL、Adam，不必去改parameter server的code。

于是在tensorflow中，就变成了：有一个进程负责分配任务和存储到其它节点，而其它节点负责执行收到的任务。那个分配任务的就是master节点。其它的slave节点就是传统意义上的parameter server。被分配的任务是Partial graph execution。存储是variable。整个计算流程由master节点来drive。再往上层来讲，假如你采用了training data partition，那么，每个data partition都应对应一个master节点。每个master节点都对应一个tensorflow session。每个slave节点可以同时支撑来自多个master的多个session。

Tensorflow中的session有两个实现，GrpcSession和DirectSession。前者是给分布式用的，后者是给单机用的。


一个GrpcSession的执行环境中包含一个m…
继续阅读