用户界面State of the UI_ Leveraging Kubernetes Dashboard and Shaping its Future
0 码力 | 41 页 | 5.09 MB | 1 年前3VMware vSphere:优化和扩展
vSphere:优化和扩展 培训方式 讲师指导培训 实时在线培训 课程用时 为期五 (5) 天的讲师指导课堂培训 听课时间占 60%,动手实验时间占 40% 目标学员 经验丰富的系统管理员和系统集成人员 课程适用对象 ☒ 管理员 ☐ 专家 ☒ 工程师 ☒ 高级用户 ☐ 架构师 ☐ 专业人员 ☐ 初级用户 先决条件 vSphere® 个人用户,讲授 有关配置和维护高度可用、高度可扩展的虚拟基础架构的高级技 能。本课程基于 VMware vSphere® ESXi™ 5.0 和 VMware® vCenter Server™ 5.0 讲授。 课程目标 课程结束后,您应能胜任以下工作: 配置和管理大型成熟企业的 ESXi 网络和存储系统。 管理 vSphere 环境变更。 优化所有 vSphere 中约有三分之一的课程 内容将在本课程中重复出现。“VMware vSphere: Fast Track [V5]” 中的可扩展性主题也将在本课程中重复出现。 VMware vSphere:优化和扩展 VMware, Inc. 3401 Hillview Avenue Palo Alto CA 94304 USA Tel 877-486-9273 Fax 650-427-5001;0 码力 | 2 页 | 341.36 KB | 1 年前3机器学习课程-温州大学-06深度学习-优化算法
1 2023年04月 深度学习-优化算法 黄海广 副教授 2 01 小批量梯度下降 本章目录 02 优化算法 03 超参数调整和BatchNorm 04 Softmax 3 01 小批量梯度下降 02 优化算法 03 超参数调整和BatchNorm 04 Softmax 1.小批量梯度下降 4 小批量梯度下降 小批量梯度下降(Mini-Batch ?(?) ?? (?) (同步更新?? ,(j=0,1,...,n )) 5 小批量梯度下降 6 01 小批量梯度下降 02 优化算法 03 超参数调整和BatchNorm 04 Softmax 2.优化算法 7 伦敦温度的例子 days temperature ?1 = 40°F ?2 = 49°F ?3 = 45°F ... ?180 = ?2,再说一次,平 方是针对整个符号的操作。 接着RMSprop会这样更新参数值,?: = ? − ? ?? ???,?: = ? − ? ?? ???, 12 ADAM Adam优化算法基本上就是将Momentum和RMSprop结合在一起 最后更新权重,所以?更新后是?: = ? − ???? corrected ??? corrected+? (如果你只是用 Momentum,使用0 码力 | 31 页 | 2.03 MB | 1 年前3KubeCon2020/大型Kubernetes集群的资源编排优化
0 码力 | 27 页 | 3.91 MB | 1 年前3优化小实例
2D函数优化实例 主讲人:龙良曲 Himmelblau function Minima Plot Gradient Descent 下一课时 MNIST反向传播 Thank You.0 码力 | 7 页 | 542.69 KB | 1 年前3Rancher 用户手册 v1.0
Rancher 用户手册 第 1 页 共 35 页 修订记录 版本 更改说明 更新人 日期 0.1 文档创建 Rancher 团队 2018/11/12 0.2 文档更新 Rancher 团队 2018/12/28 0.3 文档更新 Rancher 团队 2018/12/29 0.4 文档更新 Rancher 团队 配置镜像库凭证 进入资源\镜像库配置(Resources\Registries)页面,点击添加镜像库凭证按钮。 添加描述性名称: a) 选择凭证作用范围 b) 配置仓库地址、用户名、密码 Page 8 3.2.3. 完成添加镜像仓库凭证 4. 存储管理 4.1. 概述 通过访问存储管理页面我们可以查看添加的存储类(Storag 添加存储卷 在存储类界面,点击右上角添加类: Page 11 填写存储类相关参数,比如 PX: 点击保存后 4.2.4. 编辑存储类 在存储类界面选择需要编辑的存储类,点击右侧的省略号菜单,选择编辑: Page 12 修改相应参数后,选择保存 4.2.5. 删除存储类 在存储类界面选择需要删除的存储类,点击右侧的省略号菜单,选择删除:0 码力 | 35 页 | 6.47 MB | 1 年前3绕过conntrack,使用eBPF增强 IPVS优化K8s网络性能
0 码力 | 24 页 | 1.90 MB | 1 年前3房源质量打分中深度学习应用及算法优化-周玉驰
2019 KE.COM ALL COPYRIGHTS RESERVED 1 周玉驰 贝壳找房 - 数据智能中心 - 策略算法部 AI选房中深度学习的实践及优化 2019 KE.COM ALL COPYRIGHTS RESERVED 2 2019 KE.COM ALL COPYRIGHTS RESERVED 2 2019 KE.COM ALL COPYRIGHTS RESERVED 3 COPYRIGHTS RESERVED 6 贝壳找房发展&挑战 20万 经纪人 98 门店平均房源 2.1万 门店 10-25 经纪人熟悉房源 70% 跨店成交占比 1.87亿 房屋 3000万 月活跃用户 • 需要强大的房源质量盘点工具 • 找到好房难度大,成本高 挑战 200万 贝壳全部房源 2019 KE.COM ALL COPYRIGHTS RESERVED 7 目标&价值 平台 RESERVED 14 模型演变历程 2019 KE.COM ALL COPYRIGHTS RESERVED 15 模型演变历程 v1.0 初版模型系统 v2.0 深度学习模型 v2.0+ 效果持续优化 XGBoost DNN+RNN 特征建设 v1.0 初版模型系统 2019 KE.COM ALL COPYRIGHTS RESERVED 16 v1.0 - 初版模型系统概览 • 房源特征0 码力 | 48 页 | 3.75 MB | 1 年前3运维上海2017-Kubernetes 在大规模场景下的service性能优化实战 - 杜军
0 码力 | 38 页 | 3.39 MB | 1 年前3腾讯云 Kubernetes 高性能网络技术揭秘——使用 eBPF 增强 IPVS 优化 K8s 网络性能-范建明
TKE使用eBPF优化 k8s service Jianmingfan 腾讯云 目录 01 Service的现状及问题 优化的方法 02 和业界方法的比较 性能测试 03 04 解决的BUG 未来的工作 05 06 01 Service的现状及问题 什么是k8s Service • 应用通过固定的VIP访问一组pod,应用对Pod ip变化 无感知 • 本质是一个负载均衡器 经历了二十多年的运行,比较稳定成熟 • 支持多种调度算法 优势 IPVS mode 不足之处 • 没有绕过conntrack,由此带来了性能开销 • 在k8s的实际使用中还有一些Bug 02 优化的方法 指导思路 • 用尽量少的cpu指令处理每一个报文 • 不能独占cpu • 兼顾产品的稳定性,功能足够丰富 弯路 • 为什么DPDK不行? • 独占cpu,不适合分布式的lb map • 由于eBPF中没有timer机制 IPVS 如何做SNAT? 优化方法评价 • 优势 • 大大缩短了数据通路,完全绕过了conntrack/iptables • 不足 • 对内核模块做了一定的修改,部署更困难 03 和业界方法比较 V.S. 纯粹的eBPF service 和其他的优化方法对比 V.S. Taobao IPVS SNAT patch • 复用了IPVS0 码力 | 27 页 | 1.19 MB | 9 月前3
共 275 条
- 1
- 2
- 3
- 4
- 5
- 6
- 28