## Greenplum资源管理器 姚珂男/Pivotal kyao@pivotal.io ## Agenda • Greenplum数据库 • Resource Queue • Resource Group ## Greenplum数据库 • 基于PostgreSQL • 分布式 • OLAP • MPP(Massively Parallel Processing) ## Greenplum数据库 table corruption => PANIC ## Resource Queue ## • Cost is tricky – 没有明确的定义 – 不同优化器不一致 – 优化器不能被纳入资源管理器 ## Resource Queue ## • Priority is rough – 不能精确控制CPU - CHECK FOR INTERRUPTS – BackoffBackendTick

yii\web\AssetBundle::register() 方法注册一个资源包后，就使它的资源可被 Web 访问了，注册了资源包的页面会自动包含和引用资源包内指定的 JS 和 CSS 文件。 更多细节请参阅 前端资源管理（Asset）章节。 #### 1.2.17 助手类（Helper） Yii 2.0 很多常用的静态助手类，包括： - yii\ helpers\Html - yii\ helpers\ArrayHelper 小部件时，它会自动包含需要的 CSS 和 JavaScript 文件， 而不是要求你手工去找到这些文件并包含，当你升级小部件时，它会自动使用新版本的资源文件，在本教程中，我们会详述Yii提供的强大的资源管理功能。 #### 3.11.1 资源包 Yii 在资源包中管理资源，资源包简单的说就是放在一个目录下的资源集合，当在视图中注册一个资源包，在渲染 Web 页面时会包含包中的 CSS 和 JavaScript b访问的目录，当指定sourcePath属性，资源管理器会发布包的资源到一个可Web访问 并覆盖该属性，如果你的资源文件在一个 Web 可访问目录下，应设置该属性，这样就不用再发布了。路径别名可在此处使用。 - baseUrl: 指定对应到 basePath 目录的 URL，和 basePath 类似，如果你指定 sourcePath 属性，资源管理器会发布这些资源并覆盖该属性，路径别名可在此处使用。

朗起来。 ## 分享笔刷预设 好了，你现在终于制作了一个笔刷。如果你想要分享它，你可以通过下面几种方式来分享笔刷预设。 我们推荐你使用 Krita 的资源包系统来分享笔刷以及其他预设。我们在资源管理页面对此进行了详细介绍。 不过我们也可以使用一些比较老派的方式来分享笔刷，它们在导入或者加载比较老旧的资源包时说不定还能派上用场： ## 分享单个预设 单个预设可以用到三种资源文件： 1. Krita 加载你的脚本，两者必须同时被放置在 Krita 的资源文件夹的 pykrita 子文件夹里面（不同操作系统的路径不同，请参见 资源管理 页面）。要显示资源文件夹，可在菜单栏打开 设置·管理资源 对话框。点击 打开资源文件夹 按钮后，系统自带的资源管理器将会显示 Krita 的资源文件夹。具体操作可参考 API 文档 [https://api.kde.org/krita/html/index org/krita/html/index.html] 的“Auto starting scripts”一节。如果 Krita 的资源文件夹里没有 pykrita 子文件夹，请使用系统的资源管理器新建一个。 Krita 通过带有 .desktop 扩展名的文件识别插件，该文件包含了脚本的基本信息。 所以，你要为每个插件创建一个文件夹和一个 desktop 文件。 该 desktop 文件的内容格式如下: [Desktop Entry]

- 没有GPUs集群资源管理和调度（内存、CPU、GPU、端口），集群资源负载不均 • 训练数据手动分发，训练模型手动保存 • 进程遗留问题，需要手动杀死 • 缺乏作业统一管理，不便对作业运行状态跟踪 • 日志查看不方便 ## TensorFlow使用现状及痛点 ## Yarn能解决什么问题: - 集群资源的管理（目前支持CPU、内存，需要扩展GPU资源管理） • 作业的统一管理、状态跟踪 资源组（Schedule Pool）的划分 • 作业进程的资源隔离 ## TensorFlow on Yarn设计 ## 基本目标: - 同时支持单机和分布式TensorFlow程序 • 支持GPU资源管理和调度 - 不再需要手动配置CluserSpec信息，仅需要设置work和ps的数量 • 训练数据和训练模型基于HDFS统一存储 • 作业训练结束自动回收work、ps和Tensorboard进程