OpenShift Container Platform 4.7 安装自定义节点 17.1.1. 添加 day-1 内核参数 17.1.2. 在节点中添加内核模块 17.1.2.1. 构建并测试内核模块容器 17.1.2.2. 为 OpenShift Container Platform 置备内核模块 17.1.2.2.1. 通过 MachineConfig 对象置备内核模块 17.1.3. 在安装过程中加密磁盘 17.1.3.1. 启用 TPM v2 磁盘加密 不是所有安装选项都支持所有平台,如下表所示。 表 表 2.1. 安装程序置 安装程序置备 备的基 的基础 础架 架构选项 构选项 AWS Azure GCP Open Stack RHV 裸机 裸机 vSphe re VMC IBM Z IBM Power 默认 X X X X X X X Custo m X X X X X X X 网络自 定义 X X X X X AWS Azure GCP Open Stack RHV 裸机 裸机 vSphe re VMC IBM Z IBM Power 表 表 2.2. 用 用户 户置 置备 备的基 的基础 础架 架构 构 AWS Azure GCP Open Stack RHV 裸机 裸机 vSphe re VMC IBM Z IBM Power Custo m X X X X X X X X0 码力 | 2276 页 | 23.68 MB | 1 年前3
【PyTorch深度学习-龙龙老师】-测试版202112链式法则 7.7 反向传播算法 7.8 Himmelblau 函数优化实战 7.9 反向传播算法实战 7.10 参考文献 第 8 章 PyTorch 高级用法 8.1 常见功能模块 8.2 模型装配、训练与测试 8.3 模型保存与加载 8.4 自定义类 8.5 模型乐园 8.6 测量工具 8.7 可视化 8.8 参考文献 第 9 章 过拟合 除了提供底层的矩阵相乘、加减等数学函数,还内建了常用神经网络运算函 数、常用网络层、网络训练、模型保存与加载、模型部署等一系列深度学习系统的便捷功 能。常用网络层主要放置在 nn 子模块中,优化器主要放置在 optim 子模块中,模型部署主 要通过 ONNX 协议实现。使用 PyTorch 开发,可以方便地利用这些功能完成常用算法业务 流程,高效稳定灵活。 1.6 开发环境安装 在领略完 作为模型的最终输出 。 从网络结构上看,如图 3.10 所示,函数的嵌套表现为网络层的前后相连,每堆叠一个 (非)线性环节,网络层数增加一层。通常把输入节点?所在的层叫作输入层,每一个非线性 模块的输出??连同它的网络层参数??和??等称为一层网络层。特别地,对于网络中间的 层,也叫作隐藏层,最后一层也叫作输出层。这种由大量神经元模型连接形成的网络结构 称为神经网络(Neural Netwo0 码力 | 439 页 | 29.91 MB | 1 年前3
动手学深度学习 v2.0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 2.7.1 查找模块中的所有函数和类 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 2.7.2 查找特定函数和类的用法 . . . 我们在 16.6节 中提供了这 些函数和类的详细描述。d2l软件包是轻量级的,仅需要以下软件包和模块作为依赖项: #@save import collections import hashlib import math import os import random import re import shutil import sys import tarfile import 码可能在PyTorch的未来版本无法正常工作。但是,我们计划使在线版本保持最新。如果读者遇到任何此类 问题,请查看安装 (page 9) 以更新代码和运行时环境。 下面是我们如何从PyTorch导入模块。 #@save import numpy as np import torch (continues on next page) 目录 5 (continued from previous0 码力 | 797 页 | 29.45 MB | 1 年前3
OpenShift Container Platform 4.8 Service Mesh指标、日志和追踪 1.16. 性能和可扩展性 1.17. 为生产环境配置 SERVICE MESH 1.18. 连接服务网格 1.19. 扩展 1.20. 使用 3SCALE WEBASSEMBLY 模块 1.21. 使用 3SCALE ISTIO 适配器 1.22. 服务网格故障排除 1.23. ENVOY 代理故障排除 1.24. SERVICE MESH CONTROL PLANE 配置参考 OpenShift Service Mesh 通过在应用程序中创建集中控制点来解决微服务架构中的各种问题。它 在现有分布式应用上添加一个透明层,而无需对应用代码进行任何更改。 微服务架构将企业应用的工作分成模块化服务,从而简化扩展和维护。但是,随着微服务架构上构建的企 业应用的规模和复杂性不断增长,理解和管理变得困难。Service Mesh 可以通过捕获或截获服务间的流量 来解决这些架构问题,并可修改、重定向或创建新请求到其他服务。 3scale API 管理解决方案的可选集成。对于 2.1 之前的版本,这个集成 是通过 3scale Istio 适配器实现的。对于 2.1 版本,3scale 集成通过 WebAssembly 模块实现。 有关如何安装 3scale 适配器的详情,请参考 3scale Istio 适配器文档 1.3.3. 了解 Kiali Kiali 通过显示服务网格中的微服务服务以及连接方式,为您提供了一个可视性的服务网格概述。0 码力 | 344 页 | 3.04 MB | 1 年前3
OpenShift Container Platform 4.6 在裸机上安装Container Platform 的 Red Hat Enterprise Linux CoreOS (RHCOS) 机器会绕过默认的 Kubernetes 加密套件,并使用由 RHCOS 提供的加密模块。 重要 重要 只有在 x86_64 架构中 的 OpenShift Container Platform 部 署支持 FIPS 验证 的/Modules in Process 加密库。 注意 Container Platform 的 Red Hat Enterprise Linux CoreOS (RHCOS) 机器会绕过默认的 Kubernetes 加密套件,并使用由 RHCOS 提供的加密模块。 重要 重要 只有在 x86_64 架构中的 OpenShift Container Platform 部署支持 FIPS 验证 的/Modules in Process 加密库。 Red Hat 0:co re0.example.com:enp1s0:none nameserver=4.4.4.41 通过指定多个 ip= 条目来指定多个网络接口。 ip=10.10.10.2::10.10.10.254:255.255.255.0:co re0.example.com:enp1s0:none ip=10.10.10.3::10.10.10.254:255.255.255.0:co re0.example0 码力 | 160 页 | 1.70 MB | 1 年前3
全球架构师峰会2019北京/云原生/阿里巴巴 Kubernetes 应用管理实践中的经验与教训&mdash研发 运维 K8s 团队 Ingress Kubernetes K8s 团队 运维能力的模块化描述 API 运维 研发视角的应用描述 API 研发 K8s 的 All-in-One API K8s + 分层化 API 设计 K8s 原生 API 区分使用者角色的分层应用定义 + 模块化封装的运维能力 = 应用模型 OAM:以应用为中心的 K8s API 分层模型 Kubernetes K8s 团队 Trait + App Config 运维 Component 研发 K8s 原生 API ECS/ FaaS/…… • API复杂:区分使用者/关注点分离 • 能力难上手:模块化封装/统一管理 • 云资源:统一API对接 apiVersion: core.oam.dev/v1alpha1 kind: Component metadata: name: nginx annotations: componentName: backend instanceName: database applicationScopes: - my-vpc-network vpc-3a1p8n container- 8q93re slb-7yt83n rds- 1uy31m OAM YAML OAM Model Real-world instances Component Trait Component0 码力 | 26 页 | 6.91 MB | 1 年前3
OpenShift Container Platform 4.14 更新集群备更新集群 更新集群 2.1. 准备升级到 OPENSHIFT CONTAINER PLATFORM 4.14 2.2. 准备使用手动维护的凭证更新集群 2.3. PREFLIGHT 验证内核模块管理 (KMM) 模块 第 第 3 章 章 执 执行集群更新 行集群更新 3.1. 使用 CLI 更新集群 3.2. 使用 WEB 控制台更新集群 3.3. 执行 EUS 到 EUS 更新 3.4. 执行 CANARY 级。 2.3. PREFLIGHT 验证内核模块管理 (KMM) 模块 在应用 KMM 模块的集群中执行升级前,管理员必须在集群升级和可能的内核升级后验证使用 KMM 安装 的内核模块是否可以在节点上安装。preflight 会尝试并行验证集群中载入的每个模 模块 块。在启动一个模 模块 块的 验证前,preflight 并不会等待一个模 模块 块的验证过程完成。 2.3.1. 启动验证 preflight 验证会尝试验证集群中载入的每个模块。preflight 会在验证成功后停止在 模 模块 块 资源上运行验 证。如果模块验证失败,您可以更改模块定义,而 Preflight 将尝试在下一个循环中再次验证模块。 如果要为附加内核运行 Preflight 验证,则应该为该内核创建另一个 PreflightValidationOCP 资源。验证 所有模块后,建议删除 PreflightValidationOCP0 码力 | 149 页 | 1.94 MB | 1 年前3
OpenShift Container Platform 3.11 扩展和性能指南差通常小于一 秒。 允许页面缓存共 享。 没有兼容 POSIX。 第 第 5 章 章 优 优化持久性存 化持久性存储 储 21 设备映射器精简调配 使用 LVM、设备映射器 和 dm-thinp 内核模块。 它与一个原始分区(没有 文件系统)删除回环设备 不同。 负载和高密度方 面具有可测量的 性能优势。 它为每个容器提 供容量限制(默 认为 10G)。 您必须有一个专 用的分区。 默认情况下,在 Enterprise Linux(RHEL)中 不会设置它。 所有容器和镜像 共享相同的容量 池。在销毁和重 新创建池的情况 下无法调整它的 大小。 设备映射器 loop-lvm 使用设备映射器精简配置 模块(dm-thin-pool)实施 写时复制(CoW)快照。对 于每个设备映射器图形位 置,基于两个块设备创建 精简池,一个用于数据, 另一个用于元数据。默认 情况下,这些块设备是使 用自动创建稀疏文件的环 ROUTER_THREADS unset ROUTER_THREADS=4 none 23681 24327 edge 14981 22768 passthrough 34358 34331 re-encrypt 13288 24605 在 HTTP 关闭(无 keep-alive)情境中: Encryption ROUTER_THREADS unset ROUTER_THREADS=40 码力 | 58 页 | 732.06 KB | 1 年前3
OpenShift Container Platform 4.8 安装选项以及相关部分的 链接。 表 表 2.1. 安装程序置 安装程序置备 备的基 的基础 础架 架构选项 构选项 AWS Azure GCP RHOS P RHV 裸机 裸机 vSphe re VMC IBM Z IBM Power 默认 ✓ ✓ ✓ ✓ ✓ ✓ ✓ Custo m ✓ ✓ ✓ ✓ ✓ ✓ ✓ 网络自 定义 ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ AWS Azure GCP RHOS P RHV 裸机 裸机 vSphe re VMC IBM Z IBM Power 表 表 2.2. 用 用户 户置 置备 备的基 的基础 础架 架构 构 AW S Azu re GC P RH OS P SR- IOV 上的 上的 RH OS P RH V 裸机 裸机 vSp her e Container Platform 的 Red Hat Enterprise Linux CoreOS (RHCOS) 机器会绕过默认的 Kubernetes 加密套件,并使用由 RHCOS 提供的加密模块。 重要 重要 只有在 x86_64 架构中 的 OpenShift Container Platform 部 署支持 FIPS 验证 的/Modules in Process 加密库。 注意0 码力 | 2586 页 | 27.37 MB | 1 年前3
全连接神经网络实战. pytorch 版关于 pytorch 的基础准备工作就是这些。下一步我们开始导入数据。 前两节的源码参见 chapter1.py。 1.2 导入样本数据 把数据输入这个环节进行模块化和独立化,对于简化模型训练很有好处。pytorch 中有两个 模块是用来导入数据的:torch.utils.data.Dataset 以及 torch.utils.data.DataLoader。 Dataset 存储样本以及它们的标签等信息,Dataset () test_loss /= s i z e correct /= s i z e print ( f ” Test␣ Error : ␣\n␣Accuracy : ␣ {(100∗ cor re ct ) : >0.1 f }%,␣Avg␣ l o s s : ␣{ test_loss :>8 f }␣\n” ) 然后我们就可以开始训练了。可以发现,分成不同的 batch 分批送入网络训练得到的结果大0 码力 | 29 页 | 1.40 MB | 1 年前3
共 381 条
- 1
- 2
- 3
- 4
- 5
- 6
- 39













