工业代码规范是铠甲而非鸡肋
Tensorflow 源码编译断断续续装了两天，起初是因为OCR算法跑起来之后，始终无法正确预测结果，并且观察发现，GPU显存也没有完全利用起来。所以自然而然把问题归因于，Tensorflow GPU没有正确安装，所以聚焦在重新编译。
今天下午总归是让TF1.7跑起来了，磕磕绊绊耽误了很久，但再跑起来模型，发现预测结果还是异常，调出来看GPU，现存已经完全利用起来了，但为什么有问题呢？
因为在IDEA中结果正常，隐约感觉到，模型可能并没有正确加载的问题？
尝试修改的方法，还是受昨晚静雅咨询python 异常处理机制的启发，python 异常处理主要是try … except 模块，用来捕获异常，控制程序中断逻辑的工具。因此我想来，为什么加在算法训练之初，判断模型是否正常加载呢？
所以就有了下午处理出的 model_loader模块，写完后放在了 203上跑起来。发现果不其然，gpu设备上，201的模型路径是 /home/royal/pgm/，而203的路径是 /home/royal/program/，问题得解。
想来，其实工业界的代码规范，并不是鸡肋，对于coder来说，是一种本心，一种工匠的自我约束，同样也是规范保护coder的内功。工业规范更多是为coder服务的，这是一个很好例子。