系统负载

转自:http://blog.csdn.net/playerl/article/details/7560508

系统负载过大而导致系统性能下降的原因绝大多数都是CPU或I/O中的某个出了问题.在寻找瓶颈时,先查看平均负载等综合型数字(top), 再看CPU使用率、I/O等待率等更具体的数字, 再进一步由顶至下逐步调查各个进程.

[python]  view plain copy
  1. sar   1    100     (输出当前情况100次,每次间隔1秒)     
  2. sar   -P   ALL   (将所有cpu情况分别列出)  


内存使用情况, kbcached= "kilo byte cached" 代表被内核当做缓存的量,  %memused代表被使用的内存的百分比

[python]  view plain copy
  1. sar  -r   1  100  
  2. 06:45:39 PM kbmemfree kbmemused  %memused kbbuffers  kbcached  kbcommit   %commit  
  3. 06:45:40 PM    163900  49384368     99.67  11221708  33746648  17373636     33.64  
  4. 06:45:41 PM    143688  49404580     99.71  11219024  33772264  17373636     33.64  
  5. 06:45:42 PM    162040  49386228     99.67  11215992  33757144  17373636     33.64  
  6. 06:45:43 PM    143812  49404456     99.71  11208992  33781332  17373636     33.64  
  7. kbmemfree: 空闲物理内存量  
  8. kbmemused: 使用中的物理内存量  
  9. %memused:  物理内存使用率  
  10. kbbuffers: 内核中做为缓冲区使用的物理内存容量  
  11. kbcached:  内核中作为缓存使用的物理内存容量  
  12. kbswpfree: 交换区的空闲容量  
  13. kbswpused: 使用中的交换区容量  

kbmemused - kbcached = 真正被进程使用的内存量

Linux会把全部内存用于缓存, 在某些情况下,增加内存可以降低I/O负载


【查看平均负载】

[python]  view plain copy
  1. sar  -q   1  100  
  2. 08:46:01 PM   runq-sz  plist-sz   ldavg-1   ldavg-5  ldavg-15  
  3. 08:46:02 PM         9       368      6.36      6.14      5.92  
  4. 08:46:03 PM         5       368      6.33      6.14      5.92  
  5. 08:46:04 PM         7       368      6.33      6.14      5.92  
  6. 08:46:05 PM         8       368      6.33      6.14      5.92  
  7. 08:46:06 PM         6       368      6.33      6.14      5.92  


【查看历史数据】

[python]  view plain copy
  1. sar   -f   /var/log/sa/sa13     # 13号当天的情况  


【查看页面交换】

[python]  view plain copy
  1. sar  -W   1  100  
  2. 09:29:36 PM  pswpin/s pswpout/s  
  3. 09:29:37 PM      0.00      0.00  
  4. 09:29:38 PM      0.00      0.00  
  5. 09:29:39 PM      0.00      0.00  
  6. 09:29:40 PM      0.00      0.00  
  7. 09:29:41 PM      0.00      0.00  
  8. pswpin/s  为1秒内的换入页面数  
  9. pswpout/s 为1秒内换出页面数  
页面交换发生时,服务器的吞吐量会大幅下降. 服务器状况不良时, 如果怀疑因为内存不足而导致了页面交换发生,可以用sar  -W确认当时是否发生了页面交换
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值