TensorFlow 开启了多少个进程？
How many processes does TensorFlow open?
我正在使用扭矩 运行 一些使用 tensorflow 库的基于 CNN 的学习。 （每个任务 1 CPU）
当我 运行 top 在我的服务器上时，我注意到： load average: 677.29, 668.59, 470.
我创建了一个这样的会话：sess = tf.Session()
所以我的问题是文档中有某个地方我可以阅读 TensorFlow 使用的时间和数量。
当前版本的 TensorFlow (0.6.0) 在 单个进程中运行 ：如果您使用C++ 接口）。
但是，TensorFlow 默认使用多线程，这可能是您看到的高平均负载的原因。默认情况下，TensorFlow 将根据适合您系统的数量为两个线程池选择线程数。当前，默认行为是为 "inter-op" threadpool (which determines the number of ops that can execute in parallel), and the "intra-op" threadpool (which determines the number of threads available for parallelizing within an op). Another source of threads is in the Python-based QueueRunner 分配与内核相同数量的线程，每个队列至少启动一个线程（通常在输入管道中）。
因此，如果您拥有大量内核，并且您的 TensorFlow 程序具有大量可用的并行性（或复杂的输入管道），您最终可能会看到如此高的平均负载。
我正在使用扭矩 运行 一些使用 tensorflow 库的基于 CNN 的学习。 （每个任务 1 CPU）
当我 运行 top 在我的服务器上时，我注意到： load average: 677.29, 668.59, 470.
我创建了一个这样的会话：sess = tf.Session()
所以我的问题是文档中有某个地方我可以阅读 TensorFlow 使用的时间和数量。
当前版本的 TensorFlow (0.6.0) 在 单个进程中运行 ：如果您使用C++ 接口）。
但是，TensorFlow 默认使用多线程，这可能是您看到的高平均负载的原因。默认情况下，TensorFlow 将根据适合您系统的数量为两个线程池选择线程数。当前，默认行为是为 "inter-op" threadpool (which determines the number of ops that can execute in parallel), and the "intra-op" threadpool (which determines the number of threads available for parallelizing within an op). Another source of threads is in the Python-based QueueRunner 分配与内核相同数量的线程，每个队列至少启动一个线程（通常在输入管道中）。
因此，如果您拥有大量内核，并且您的 TensorFlow 程序具有大量可用的并行性（或复杂的输入管道），您最终可能会看到如此高的平均负载。