Informix IDS 11系统经管(918测验)认证指南,第 4 部门: 功能调优(9)

其他功能提升

在 UNIX 上用 direct I/O 提高 cooked 文件的功能

在 V11 中,跟着 direct I/O 特征的引入,可以提高用于通例数据库空间块的 cooked 文件的 I/O 功能。运用文件系统的 I/O 往常慢于运用原始装备的 I/O。这是由于经过过程文件系统阻止读写有附加的开支。这添加了另一层的事故。此外,或许存在一个缓冲系统。这种缓冲会降低功能,而 IDS 不克不及控制垄断系统的这个子系统。Direct I/O 可以绕过文件系统层,包罗任何缓冲,因此读和写的坚守更高。可以运用 DIRECT_IO 设备参数启用 direct I/O。cooked 文件的功能可以靠近用于数据库空间块的原始装备的功能。

DIRECT_IO 不克不及用于且则数据库空间,只能用于通例的数据库空间块。文件系统和垄断系统必需撑持给定页大大小的 direct I/O。关于原始装备,不撑持 direct I/O。关于原始装备上的块,更可取的 I/O 体例是 KAIO(kernel asynchronous I/O)。

DIRECT_IO ONCONFIG 参数

表 11. 设置 DIRECT_IO

DIRECT_IO 设置 描画
0 Direct I/O 被封锁
1 Direct I/O 被翻开


注重: 有些垄断系统启用 direct I/O,并且完成运用 KAIO (kernel asynchronous i/o)。借使假若启用了 direct I/O,数据库做事器会测验测验运用 KAIO 以完成这项事故。借使假若启用了 KAIO,可以减少 AIO 捏造处置器的数目。这里假定 KAIO 已被启用(KAIOOFF 在情形中没有被设置)。

Windows 不撑持 DIRECT_IO ONCONFIG 参数,由于在 Windows 平台上 direct I/O 是默许被启用的。









提高备份和恢复时代的并行性

BAR_SORT_DBS

BAR_SORT_DBS 是一个新的情形变量,它使 V11 中的一个新特征可以提高非全系统归档和恢复的坚守。并行数据库空间归档和恢复将运用新的排序体例。BAR_SORT_DBS 可以设置为随意任性值,并且需求在情形中设置方能生效。借使假若不设置 BAR_SORT_DBS,可以生活归档和恢复垄断的原始行为。

行使 BAR_MAX_BACKUP OnBar 并行全系统备份

V11 中引入了并行并行全系统备份。在 V11 之前,全系统备份是单线程的。通通数据库空间运用一个归档搜寻点工夫戳,归档是连续阻止的。

在 V11 中,可以阻止并行全系统备份。通通数据库空间的搜寻点在 root 数据库空间的备份之前。然后,root 数据库空间首先被归档,这个归档不是并行的。直到这时,其行为仍旧与之前的版原形同。

可是,在 V11 中,备份是按新的挨次实行的。这个挨次关于非全系统归档也无效。

接着,关于每个数据库空间,启动一个前像处置器线程(arcbackup2)。如许可以使更多的线程并走运转。当每个数据库空间备份完成时,相应的 arcbackup2 线程将参与,从而减少备份过程中占用资本的 arcbackup2 线程。

在 Informix Dynamic Server V11 中,数据库空间的备份挨次有了改变。这个挨次以备份起头时被运用的页数为依据。要备份的数据库空间依照数据库空间中运用的页数以降序排序。如许可以确保更好的并行性。非论 BAR_MAX_BACKUP 怎样设置,非论归档的页面有若干,都是如此。

设置 BAR_MAX_BACKUP ONCONFIG 参数

表 12. Setting BAR_MAX_BACKUP

BAR_MAX_BACKUP 设置 描画
0 允许引擎决意
1 连续(单线程)归档和恢复
# 起头多个备份过程


借使假若 BAR_MAX_BACKUP 被设为 0,则引擎分配较多数目标存储空间大大约共享内存中可以容纳的存储空间。









用户界说 VP

可以树立特别范例的捏造处置器,以运转用户界说例程大大约实行 DataBlade 模块的事故。 用户界说例程往常用于撑持用户界说数据范例。借使假若不想用户界说例程在 CPU 类 VP 中运转,那么可以将它指派给用户界说范例的捏造处置器(VP)。用户界说捏造处置器的另一个称号是扩展捏造处置器。

确定所需的用户界说捏造处置器的数目

借使假若 UDR 可以并行处置,那么应该设备足够多的用户界说捏造处置器,以处置 UDR 担任的多个任务。数据库做事器将撑持垄断系统所允许的那么多的用户界说 VP。

运用用户界说捏造处置器

用户界说捏造处置器可以制止数据库做事器遭到行为不当的用户界说例程的影响。通通行为不当的用户界说例程至少有以下特征之一:

  • 不将控制权让给其他线程。
  • 壅闭垄断系统调用。
  • 修正全局 VP 形态。

将任何行为不当的用户界说例程指派给用户界说捏造处置器,可以使数据库做事器制止不服安的实行,从而提高数据库的可靠性。用户界说 VP 消除了 CPU VP 的以下编程限制:

  • 需求按期派生处置器。由于在扩展捏造处置器上只要一个运转 UDR 的线程,因此不需求派生处置器。
  • 需求制止壅闭 I/O 调用,例如 I/O。

借使假若行为不当的 UDR 在用户界说捏造处置器中运转,那么可以减少对做事器上运转的其他线程的影响,由于它们不消等待处置工夫,而借使假若那些行为不当的 UDR 在 CPU VP 上运转,其他线程就需求如许的等待。

指定用户界说捏造处置器

VP> 选项用于界说一个新的 vp 范例。这个范例的称号与 UDR 中界说的范例称号对应。

将一个 UDR 指派给一个用户界说捏造处置器范例

SQL CREATE FUNCTION 语句注册一个用户界说例程。该语句界说函数称号、前往范例和函数运转时地点的范例的称号。

例如,清单 5 中界说了用户界说例程 MoodyBluesOrNot。 它指定给定的参数范例是 char,并界说前往范例为 boolean。注重,清单中还指定了范例称号。这意味着对该例程的调用是在名为 MoodyBlues 的用户界说 VP 范例中运转:

清单 15. 树立 UDR 的示例 SQL

                    				
CREATE FUNCTION MoodyBluesOrNot(char)
   RETURNS boolean 
   WITH (>

ONCONFIG 文件必需包罗一个 VP> 参数,该参数界说 MoodyBlues 范例。不然,对 MoodyBluesOrNot 函数的调用将失败。



版权声明: 原创作品,允许转载,转载时请务必以超链接情势标明文章 原始出处 、作者信息和本声明。不然将追究法律责任。

转载于:https://www.cnblogs.com/zgqjymx/archive/2011/03/07/1973027.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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