转:一个有钱人的家庭网络

转自:http://user.qzone.qq.com/3537006/blog/1278038653#!app=2

终于在09年底更换了住房,解决了没有书房的困境。装修的同时我就开始规划弱电的设计,次此装修中弱

电工程从规划、开槽、布管、穿线,设备架设,甚至影音室的装修。全部由本人亲手完成。完成后不论工

程是否美观,心里的成就感实在是得到了极大的满足。
图片
网络拓扑图

之前的网络在使用时深深的感受到百兆网的局限,所以这次布线作为基础工程的重中之重。在具体材料上

我选择了普天六类线,普天六类模块,普天机柜,普天六类配线架。跳线的选择上依旧选择了康普GY7,

毕竟康普GY7是所有银行,证券中心机房中唯一指定数据线材。
图片
普天线材

图片
康普GY7跳线


在开槽时,本想要求电工开的,但是我的要求是必须弱电槽与强电槽分隔30公分以上,同时家里布线点位

多达30多处,遭到电工师傅的多次抗议,我只好自己亲手来干。毕竟是自己住的房子,与其装修师傅不情

不愿的偷工减料,还不如自己做的放心些。
图片
书房开槽

终于有了一件属于自己的小机房,可以把我的所有的设备集中起来存放,再也不用担心家里人抗议噪音和

发热的问题了。
图片
阁楼机房

图片
完工图

图片

图片
突破的16A PDU

图片
nas,4U机箱

机柜打线当然是自己亲手来做,电工师傅看的眼睛都直了,压根就没见过这种布线的方式。家里的所有电

话和网络,我全部采用六类网线来布,包括电工在内都非常不解,其实这样做是有很大的便利性的,因为

电话和网络的接口我都是采用的六类模块,而RJ11的接口同样可以插在RJ45模块上,所以接口的具体用途

可以根据不同的需求来变更,利用跳线的转换随时可以在网络或电话之间进行变更。例如床头不需要电话接口,也需要一个有线网络,因为速度比无线用起来快。我只需要在配线架上更换一根跳线

就解决了这个问题。
图片
打线中

交换机我采用的NETGEAR的16口全千兆网管型交换机,把原来的CISCO 2950替换下来,该交换机具备一些

简单网管功能,例如端口聚合,QOS,VLAN划分等。同时提供16个全千兆以太电口,2个光口。做一个小型

企业的三层交换机都可以了。

图片
NETGEAR switch

图片
netgear switch

无线AP当然是300M,为了美观,我采用了腾达的吸顶式无线AP,300M,MIMO一应具全,更可贵的是支持

POE,只需要一根网线就解决了供电及数据传输的问题,非常适合吸顶安装。不过我的交换机并非POE交换

机,而AP的包装里是不带POE供电模块的,所以我采用了Symbol的POE供电模块来完成DATA&POWER整合。

图片
300M AP

图片
symbol poe module

图片
symbol poe module

图片
贴墙安装效果

图片
安装在楼梯旁边

家庭NAS这次当然也是升级重点,原来的MODT平台虽然是个合格的NAS平台,但是作为应用服务器实在是太

弱了,在经过一翻艰苦的搜索后,我发现了一个寿命超级短暂的平台!INTEL在服务器平台的CPU大家都知

道是至强,同时XEON其实也有好几个类别,其中有一个罕见的类别是ULV系列,这个系列一般都是用在刀

片服务器上的。而ULV XEON中,又有一个罕见的种类,就是479 ULV,这个系列的CPU只有两款,一个是

XEON 1.66G  还有一个是XEON 2.0G.采用的是讯驰核心,479接口,2M缓存,667的前端总线,更特别的是

源生双核!最关键最关键的是它的MAX TDP仅为15W,非常适合HOME SERVER。

图片
xeon ulv 1.66G

CPU定了,主板也就简单了,选择范围极小,基本就在超微和泰安之间了。我选择的是SUPERMIRCO X6DLP

-EG2,INTEL 7520芯片组,INTEL82573V/INTEL82573L双千兆网卡,PCI-E X8,64-bit 66mhz PCI-X全部

具备,支持REG ECC 内存.由于479针的XEON ULV属于可遇不可求,于是一次配齐,2颗1.66G全上,实现4

线程并行处理。

图片
主板全貌

图片

图片
超大的机箱,最多可安装15颗硬盘。NAS首选

REG ECC内存真是贵啊,忍痛上了8G。
图片
三星REG ECC内存,单根2G

图片
BIOS

存储部分也进行了在线扩容,在经过近40小时的重组,系统中6颗硬盘终于开工了。总容量也增加到了

4.6TB。
图片
重组完成

图片
硬盘安装位还很宽松

我对NAS的双网卡进行了端口聚合,实现了2G带宽,这个对于在我的实际运行环境中太重要了,因为我的

HTPC有2台,分别位于影音室及客厅。同时由于存储的存在,我的所有台式机上都更换了SSD小容量硬盘,

大幅度依赖网络存储。在这样的高利用率的网络环境中,存储的网络性能是个较高考验。当然端口聚合必

须交换机支持,否则只能实现软负载均衡或者冗余。

图片

图片

图片

 

现在隆重介绍我的影音室,这个影音室是我的心血所在,因为从电源线开始就经过了特别的设计,具体规

划图如下图:

图片

这个房间里的所有电源线都是采用的4-6平方的熊猫电线。音频线为4平方的怪兽4股200芯音频线。显示输

出设备为奥图码HD20,JK画框拉力幕。所有视频音频通过HDMI接入次世代功放haman 355。HTPC的音频由

于声卡现在HDMI源码输出只能2 LPCM,因此采用光纤输出,交由功放解码为DTS HD 5.1。音箱采用了

HAMAN同系的JBL L系列,受限于空间,只能采用书架箱L830作为主箱,LC2中置,L810环绕,L8400P低音

炮。当前的7.1片源还比较少,就对7.1仅仅做了线材预留,5.1先上了。

哈曼的功放设置起来比日系稍微麻烦了些,前级说实话并不见得比天龙,安桥好,只是作为美系功放的代

表,我最欣赏的是它澎湃的推力!日系功放的功率虚标实在让人恶心,哈曼的功率如果以日系标准起码要

X3才行。同时哈曼355作为JBL的御用功放,在AV欣赏方面有着绝对的话语权。

SONY BD S370具备一个很特别的LAN口,正是这个LAN口,实现了类似于VOD一样的视频流播放,只是这是

真正的1080P高清视频流。在使用时,只需要把蓝光碟放入碟机,然后开始播放。再到电脑上直接在网络

中会发现一台网络设备的名称为SONY S370,点击打开,就会开始接收从碟机传送过来的高清视频流。这

下老配置的机器甚至上网本都可以观看高清视频了。

在影音室里感受了蓝光音频的魅力之后,电脑声卡实在是。。。我已经把电脑上的声卡和音箱都拿掉了,

平时带着耳机能听见个响声就算行了。
 
图片
奥图码HD20 1080P投影机,国内行货,支持双灯计划

图片
我的影音室,可惜面积小了点

图片
HAMAN 355次世代功放、SONY BD S370蓝光碟机,以及HTPC

图片
JK 100寸 画框拉力幕 平整度非常好,整个屏幕绷的很紧。

图片
在黑暗的影音室中,背光遥控器提供了极大的方便。这个是投影机的遥控器

图片
哈曼355功放遥控器,适合白人的手掌,超级大,亚洲人操作需要用两只手

图片
同样,背光功能是必须的

图片
HTPC所使用的微型键盘鼠标,2.4G无线,具备多种快捷键组合,鼠标是由触摸板控制。整个大小比手机大

不了多少,使用起来很方便。

图片
和遥控器一样,背光功能可以让我在黑暗中也能操作HTPC

 

我一般在家里时,多数是在使用网络的,而现在的家用电器也离不开网络,简单说说我的具体应用:
1、我的蓝光机BD-S370,我在调整设置的时候意外发现,居然可以直接连到家庭流媒体服务器上。也就是说可以用蓝光机共享局域网中的网络资源。而HTPC也可以不用顾忌解码而采用流媒体播放的方式来播放电影。
2、家里的4台电脑,1台台式机,1台笔记本,2台HTPC。6台机器上的硬盘,加起来还不到320G。全部采用SSD做个系统就好了。静音并且速度快。我在NAS上为台式机配置了ISCSI,开机之后如同本地硬盘一样,丝毫看不出是网络存储。
3、不需要担心数据存放及安全问题。随着时间的累积,多年来存下的各种生活数据:照片,旅游视频,工作积累,日常收集的软件,游戏等等。统一存放起来,可以做长时间的保存。
4、经常出差,我很少担心出去后发现资料不齐。我为NAS做了DDNS,在任何地方只要有网络的地方就可以连回家来拿东西。特别是现在单位配发3G网卡之后,更是如鱼得水。
5、开放一些私人应用。例如我是WOW玩家,工会的论坛,TS。都架设在我的家里。甚至我在机器上做了代理FQ第一起跳,现在我们直接在台服征战。其他人还需要掏钱买代理,我们是用的自己的代理,自己的TS。说出去何等自豪?
6、NAS性能强大,我在底层进行虚拟化,将机器性能分割开进行充分发挥。采用ESX3.5作为底层操作系统。把应用服务器与数据库服务器分割开,这样即使应用服务器重启,也不会影响其他机器的存储。更重要的是有时候想做一些系统上的测试,随时可以起一台机器来用。例如ROS,流控等等工作用途的测试。这个ESX目前已经在我们公司正式部署,而这些东西都是需要做一些模拟测试才能够上线运行的。

 

简单测试了一下网络

测试采用WINDOWS的复制与粘贴,测试文件是40G的视频文件

图片

测试结果非常满意,几乎把单网卡跑满。文件复制开始计算时间的时候复制可达125M/秒,稳定后保持在110M/秒
同时也深深的体会到集成网卡的弱点,在文件复制高峰时,CPU占用甚至到达了80%,大幅的拖慢了系统。
好在我的台式机也是双千兆网卡,可以做端口聚合,在端口聚合后应该会改善这一状况。

图片

服务器上的负载相当令人满意,网络占用连50%都不到,CPU负荷一直处于10%以下,果然INTEL服务器级别的网卡不一般。

 

对存储做了一下测试

 [attachment=1966879]

1、可以看到连续读取已经到达了阵列卡的性能瓶颈了,800M上下已经不会再有提升了。而连续写的性能还可以在增加些。
2、4K的传输仅为70M不到,这是由于4K的容量很小,而阵列卡调整各硬盘进行寻道需要占用大量的时间,不能充分发挥出性能数据传输就结束了,而4K的测试结果是WINDOWS系统运行速度的重要指标。这也就充分说明了为什么磁盘的阵列 都是用于存储而不是作为系统盘。即使系统盘做阵列多数也是做得RAID 1为了安全而做的

转载于:https://www.cnblogs.com/swordzj/archive/2012/03/19/2406559.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,以下是一个简单的神经网络的 Python 代码: ```python import numpy as np # 定义激活函数 def sigmoid(x): return 1 / (1 + np.exp(-x)) # 初始化权重和偏置 def initialize_parameters(n_x, n_h, n_y): W1 = np.random.randn(n_h, n_x) * 0.01 b1 = np.zeros((n_h, 1)) W2 = np.random.randn(n_y, n_h) * 0.01 b2 = np.zeros((n_y, 1)) parameters = {"W1": W1, "b1": b1, "W2": W2, "b2": b2} return parameters # 前向传播 def forward_propagation(X, parameters): W1 = parameters["W1"] b1 = parameters["b1"] W2 = parameters["W2"] b2 = parameters["b2"] Z1 = np.dot(W1, X) + b1 A1 = sigmoid(Z1) Z2 = np.dot(W2, A1) + b2 A2 = sigmoid(Z2) cache = {"Z1": Z1, "A1": A1, "Z2": Z2, "A2": A2} return A2, cache # 计算损失函数 def compute_cost(A2, Y): m = Y.shape[1] cost = -np.sum(Y * np.log(A2) + (1 - Y) * np.log(1 - A2)) / m cost = np.squeeze(cost) return cost # 反向传播 def backward_propagation(parameters, cache, X, Y): m = X.shape[1] W1 = parameters["W1"] W2 = parameters["W2"] A1 = cache["A1"] A2 = cache["A2"] Z1 = cache["Z1"] dZ2 = A2 - Y dW2 = np.dot(dZ2, A1.T) / m db2 = np.sum(dZ2, axis=1, keepdims=True) / m dZ1 = np.dot(W2.T, dZ2) * (1 - np.power(A1, 2)) dW1 = np.dot(dZ1, X.T) / m db1 = np.sum(dZ1, axis=1, keepdims=True) / m gradients = {"dW1": dW1, "db1": db1, "dW2": dW2, "db2": db2} return gradients # 更新参数 def update_parameters(parameters, gradients, learning_rate=1.2): W1 = parameters["W1"] b1 = parameters["b1"] W2 = parameters["W2"] b2 = parameters["b2"] dW1 = gradients["dW1"] db1 = gradients["db1"] dW2 = gradients["dW2"] db2 = gradients["db2"] W1 = W1 - learning_rate * dW1 b1 = b1 - learning_rate * db1 W2 = W2 - learning_rate * dW2 b2 = b2 - learning_rate * db2 parameters = {"W1": W1, "b1": b1, "W2": W2, "b2": b2} return parameters # 模型训练 def nn_model(X, Y, n_h, num_iterations=10000, print_cost=False): n_x = X.shape[0] n_y = Y.shape[0] parameters = initialize_parameters(n_x, n_h, n_y) for i in range(num_iterations): A2, cache = forward_propagation(X, parameters) cost = compute_cost(A2, Y) gradients = backward_propagation(parameters, cache, X, Y) parameters = update_parameters(parameters, gradients) if print_cost and i % 1000 == 0: print("Cost after iteration {}: {}".format(i, cost)) return parameters # 预测 def predict(parameters, X): A2, cache = forward_propagation(X, parameters) predictions = (A2 > 0.5) return predictions # 测试模型 X = np.array([[0, 0, 1, 1], [0, 1, 0, 1]]) Y = np.array([[0, 1, 1, 0]]) parameters = nn_model(X, Y, n_h=4, num_iterations=10000, print_cost=True) predictions = predict(parameters, X) print("Predictions: {}".format(predictions)) ``` 这个代码实现了一个简单的两层神经网络,并使用 XOR 逻辑门的例子进行了测试。
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