---

Hadoop MapReduce

Map采用一组数据并将其转换为另一组数据，其中各个元素被分解为元组（键/值对）。
其次，reduce任务，它将map的输出作为输入，并将这些数据元组合并成一组较小的元组。

---

Hadoop Yarn

YARN的基本思想是将资源管理和作业调度/监控的功能分为独立的守护进程。
想法是拥有一个全局ResourceManager（RM）和每个应用程序的ApplicationMaster（AM）。应用程序是单个作业或作业的DAG。
ResourceManager和NodeManager构成数据计算框架。ResourceManager是在系统中的所有应用程序之间仲裁资源的最终权力。
NodeManager是负责容器的每机器框架代理，监视其资源使用情况（cpu，内存，磁盘，网络）并将其与ResourceManager / Scheduler进行报告。
每个应用程序ApplicationMaster实际上是一个框架特定的库，任务是从ResourceManager协商资源，并与NodeManager一起执行和监视任务。

---

TensorFlow 采用数据流图 用于数值计算
    在TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库
    Softmax回归模型,  经常取大，偶尔取小
    NumPy是Python的一种开源的数值计算扩展。
    这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））
    
    Session 的context执行graph（计算任务），将graph中的 op（一个 op 获得 0 个或多个 tensor数据, 执行计算, 产生 0 个或多个 Tensor. ） 分发到设备 上，执行 op 
    变量 (Variable) ：维护状态.
     feed 和 fetch ：为任意op 修改数据.
    每个 Tensor 是一个类型化的多维数组. 你可以将一小组图像集表示为一个四维浮点数数组, 这四个维度分别是 [batch, height, width, channels]
    构建阶段, op 的执行步骤 被描述成一个图. 
    执行阶段, 使用会话执行执行图中的 op，返回的 tensor 是 numpy ndarray 对象; 
    TensorFlow Python 库有一个默认图 (default graph), op 构造器可以为其增加节点. 这个默认图对 许多程序来说已经足够用了
    
    tf.placeholder(dtype, shape=None, name=None)		 #shape：默认是None，就是一维值，也可以是多维，如[2,3], [None, 3]表示列是3，行不定
    tf数1=tf.Variable(0, name="counter")	#类似counter=0
    tf数2=tf.constant(1)	#类似const one=1
    tf加法=tf.add(tf数1, tf数2)		#加法
    操作= tf.assign(tf数1, tf加法)
    session.run(操作,feed_dict={插入前面占位符的数据})
    
    图像分类，监督学习
    Cifar-10 由60000张32*32的 RGB 彩色图片构成，共10个分类。50000张训练，10000张测试（交叉验证）。
    每个图像的32 x 32 x 3 = 3072值
    对于10个类中的每一个，我们的3072个像素值的总和由该类别的3072个参数权重加权获得单个总分。
    最后，我们有10个分数，每个分类一个。然后我们看看哪个分数最高，这就是图片的类标签。logits: 未归一化的概率    这就是TensorFlow发挥其魔力的地方。它可以计算相对于参数值的损失梯度。然后相应地调整所有参数值，重新启动过程，并将下一组图像输入到模型中。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26