《玩转webpack》第五章 进阶篇: webpack 构建速度和体积优化策略基础篇:webpack 基础用法 03 | 基础篇:webpack 进阶用法 04 | 进阶篇:编写可维护的webpack 构建配置 05 | 进阶篇:webpack 构建速度和体积优化策略 06 | 原理篇:通过源码掌握webpack 打包原理 07 | 原理篇:编写 Loader 和插件 08 | 实战篇:React 全家桶 和webpack 开发商城项目 4.0.0-beta.2 Time: 26563ms Built at: 2018-2-18 02:31:50 构建时间降低了 60%–98%! ## 使用 webpack4:优化原因 V8 带来的优化(for of 替代 forEach、Map 和 Set 替代 Object、includes 替代 indexOf) 默认使用更快的 md4 hash 算法 1 - crc32b 0 loader: 'happypack/loader', exclude: 'node_modules' } } ## 减少文件搜索范围 ### 优化 resolve.modules 配置(减少模块搜索层级) module.exports = { resolve: { alias: { react:0 码力 | 36 页 | 8.13 MB | 2 年前3
Chatbots 中对话式交互系统的分析与应用05db090c02f2a533cbe27fc1/p9_1.jpg) Semantic Question Matching with Deep Learning Task-Bot: ## 任务对话机器人 ## Task-Bot: task-oriented bot  • 对话状态应该包含持续对话所需要的各种信息 - DST问题:依据最新的系统和用户动作,更新对话状态  ## Q: 如何表示对话状态 ## 策略优化 Dialogue Policy Optimization Optimization (DPO) · 系统如何做出反馈动作 • 作为序列决策过程进行优化:增强学习  ## 语言生成 Natural Language Generation (NLG) - 把结构化的系统动作翻译成人类的语言  HELLO WORLD ## 个人简介 主要从事量化开发相关工作 8.6 days ## 大纲 一、策略介绍 二、部署开发 三、使用说明 四、策略回测 ## 策略介绍 资金量有一定规模,进出中心化交易所,比较费力 第一个上线的 Uniswap v3 LP 策略 Uniswap v3 在 2021 年 5 月 5 日发布后两天,Charm 部署了其第三款产品:Uniswap v3 LP 操作策略——Alpha Vault,并且已经被证明是非常成功的产品:利润比 last_price=1900 入参 last_price 为上一次调整的值 说明: 默认 gap0_alter 为 3.19%(看事例说明) ## 出参 true 为应该调整 false 为不应该调整 ## 策略回测 原理: 统计一段时间每小时呆在价格区间的命中率,暂时不考虑小时流动性 区间下沿价格 $ p_{-1} $ 区间上沿价格 $ p_{-u} $ 选取每小时平均值p作为参考,区间命中率0 码力 | 18 页 | 2.12 MB | 2 年前3
VMware vSphere:优化和扩展# vmware $ ^{®} $ EDUCATION SERVICES # VMware 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 区管理员 □ 专家 ☒ $ ^{TM} $ 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 组件的性能。 ● 排除操作故障并找出造成这些故障的根本原因。 - 使用 VMware vSphere $ ^{®} $ ESXi $ ^{™} $ Shell 和 VMware 将虚拟机从标准交换机迁移到分布式交换机 - 了解分布式交换机的功能特性,例如 PVLAN、VMware vSphere $ ^{®} $ 网络 I/O 控制、端口镜像和 NetFlow ## 网络优化  • 了解网络适配器的性能特点 -0 码力 | 2 页 | 341.36 KB | 2 年前3
Greenplum上云与优化# Greenplum上云与优化 — ApsaraDB for Greenplum介绍 主办单位:Alibaba Group 阿里巴巴集团 战略合作伙伴:intel 杭州 张广舟(明虚) 阿里云高级专家 ## 目录 ApsaraDB for GP的定位 ApsaraDB for GP的内核优化 未来的规划 # ApsaraDB for GP的定位 ## ApsaraDB for GP的定位 GP的定位 GP的优势? 与其他技术的对比? 为什么上云? ## ApsaraDB for GP的定位 MPP + 列存压缩 ApsaraDB for GP = 复杂SQL + 查询优化器 本地高效存储 + 高速网络 + 预置稳定资源 = 简单、高效解决大数据分析需求 ### GP vs. RDS? MPP处理举例 ## Select count(*) from customer group [Image](/uploads/documents/f/2/6/d/f26d9043d030148cb59ffb98d820fd24/p9_3.jpg) ### GP vs. Hadoop? Orca优化器 SQL Runtime # >5-30倍的性能优势 本地存储 ### ApsaraDB for GP vs. AWS Redshift? ## “有史以来卖的最好的云服务” |对比项目|ApsaraDB0 码力 | 26 页 | 1.13 MB | 2 年前3
HBase最佳实践及优化## cloudera ## HBase最佳实践及优化 陈飚 cb@cloudera.com Cloudera ## 关于我 陈飚 Cloudera售前技术经理、资深方案架构师 http://biaobean.pro  原Intel 原Intel Hadoop发行版核心开发人员, 成功实施并运维多个上百节点Hadoop大数据集群。 – 曾在Intel编译器部门从事服务器中间件软件开发,擅长服务器软件调试与优化,与团队一起开发出世界上性能领先的XSLT语言处理器 – 2010 年后开始Hadoop 产品开发及方案顾问,先后负责Hadoop 产品化、HBase 性能调优,以及行业解决方案顾问 ## HBase的历史 HBase是Google 分布式的多层次映射表结构(key-value形式,value有多个) - 固定一个数据模型(固定数据模型能得到高性能,同时满足应用需求) - 无数据类型 ## HBase的实现特性 - 非常高的数据读写速度,为写特别优化 - 高效的随机读取 – 对于数据的某一个子集能够进行有效地扫描 - 具有容错特性,能够将数据持久化的非易失性存储中 – 使用HDFS做底层存储,可利用Hadoop的压缩Codec等减少空间占用0 码力 | 45 页 | 4.33 MB | 2 年前3
PostgreSQL 查询优化器解析0 码力 | 37 页 | 851.23 KB | 1 年前3
Oracle 和 MySQL 性能优化感悟0 码力 | 19 页 | 3.82 MB | 2 年前3
Go性能优化概览-曹春晖## GCN ## 业务性能优化概览  By Xargin 《Go 语言高级编程》合著者 Go contributor  ## 目录 优化的前置知识 ___ 01 生产环境的优化 ___ 02 Continuous profiling ___ 03 ## 第一部分 优化的前置知识 ## Latency numbers every programmer should know |Event|Latency|Scaled| |---|---|---| |1 CPU |Hardware (HW) virtualization system boot|40 s|4 millennia| |Physical system reboot|5 m|32 millennia| ## 优化的前置知识 • 要能读得懂基本的调用栈 • 了解 Go 语言内部原理(runtime,常用标准库) • 了解常见的网络协议(http、pb) https://github.com/bagder/http2-explained0 码力 | 40 页 | 8.69 MB | 2 年前3
TGT服务器的优化## TGT 服务器的优化 ## 块设备协议 • NBD • Linux专有块设备协议 • iSCSI • 广泛支持的外部设备协议(块,磁带等) ## Curve云原生存储支持块设备 • 通过NBD,只支持Linux - 通过SDK API,目前只支持Linux - PFS · 扩大使用范围 - 通过iSCSI支持更多系统,例如Windows, 类UNIX系统等,使用两项基础技术 • 开源界有尝试修改 - 例如sheepdog的开发者提交过一个patch,但是测试效果不理想,分析原因,event loop依然是瓶颈 ## 对TGT的性能优化 • IO是使用多个epoll线程,充分发挥多CPU能力 - 当前策略是每个target一个epoll线程,负责Initiator发过来的I/O - 好处是各target上的CPU使用由OS负责分配,CPU分配粒度更细 - 也可 管理面是主线程,登录,增、删、改target, lun, session, connection, params都在主线程,而target epoll线程也要使用这些数据,多线程冲突,数据一致性问题就来了 ## 对TGT的性能优化(续) ## • 为每一个target增加一把锁 • Target event loop (TEL) 线程和管理面线程使用这把锁互斥 • TEL在运行时锁住这把锁,管理面只能等待,等TEL线程进入epoll0 码力 | 15 页 | 637.11 KB | 1 年前3
共 1000 条
- 1
- 2
- 3
- 4
- 5
- 6
- 100
相关搜索词
WebpackBundleAnalyzerPluginspeed-measure-webpack-pluginTree-shakingScope Hoisting对话式交互系统Bot框架任务型多轮问答对话状态对话策略优化量化投资Uniswap v3alpha Vaults策略无常损失流动性池vSphere 优化ESXivCenter ServervSphere Auto DeployvSphere Storage DRSApsaraDB for GreenplumAWS RedShiftMPP列存压缩性能优化HBaseRegionServerCompaction吞吐率GCPostgreSQL查询优化器执行计划规划阶段预处理移动APP性能监测NSURLProtocolMethod swizzlingIsa swizzlingiOSCPU占用内存占用GoroutineGC优化性能调优内存分配序列化调用栈压测指标TGT服务器块设备协议Curve云原生存储FIO性能测试













