elk搭建

Apex Predator Apex Predator 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 800+累计阅读 883平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄6年
关注
原创 最新推荐文章于 2026-03-28 02:04:09 发布 883 阅读 AI 写同款· GEO 优化 ›
ELK日志平台（elasticsearch+logstash+kibana）搭建 为了实现分布式日志数据统一收集,实现集中式查询和管理 故障排查 安全信息和事件管理本文仅仅简单介绍了ELK的安装，而ELK其他强大的功能需要继续学习。 阅读详情

1、前言

ELK 是一个开源的日志管理解决方案，主要是为了统一收集生产的日志，方便日志的查询，传统的日志都是保存在每个机器上，当要查询的时候，需要到每一台机器上去查询日志，非常麻烦，而elk则使用了三个开源软件 Elasticsearch、Logstash 和 Kibana 去统一收集所有机器产生的日志，然后存储起来，再通过页面去展示查询，大大提高了查询日志的效率，而且ELK还可以用于监控系统的性能和健康状况，以及分析用户行为和趋势

Elasticsearch：是一个分布式实时搜索和分析引擎，可以用于存储、搜索和分析各种类型的数据，包括结构化、半结构化和非结构化数据。Elasticsearch 提供了强大的搜索和聚合功能，可以帮助用户快速地查找和分析数据

Logstash：是一个开源的数据收集引擎，可以用于收集、处理和转换各种类型的数据，包括日志、指标、事件等。Logstash 支持多种输入和输出插件，可以将数据从各种来源收集，并将其发送到各种目标

 Kibana：是一个开源的数据可视化工具，可以用于可视化和分析 Elasticsearch 中的数据。Kibana 提供了强大的数据可视化和分析功能，可以帮助用户快速地理解和分析数据

总的来说，ELK 是一个强大的日志管理解决方案，可以帮助用户快速地收集、存储、搜索和分析各种类型的数据，从而提高系统的可靠性和可维护性

2、主机信息

主机名称IPserviceport
A10.1.60.114elasticsearch、logstash9200、5044
B10.1.60.115kibana5601

2、elk搭建

上面已经说过了elk是由Elasticsearch、Logstash 、Kibana组成，现在来分别部署一下

2.1Elasticsearch部署

需要先部署基础环境，需要用到java环境，7版本以上的es需要用jdk 11版本以上的环境

参考：jdk1.8环境配置_Apex Predator的博客-优快云博客

优化主机，必须要优化，不优化的话elasticsearch不能被外部访问，只能被自身访问

内核优化

vi /etc/security/limits.conf

* soft nofile 65537  #用于设置进程能够打开的文件数的软限制，即当前限制。如果进程试图打开超过这个限制的文件数，系统会向其发送警告信息，但仍然允许打开文件
* soft nproc 65537   #用于设置进程数的软限制，即当前限制。如果进程试图创建超过这个限制的子进程，系统会向其发送警告信息，但仍然允许创建子进程
* hard nofile 65537  #用于设置进程能够打开的文件数的硬限制，即最大限制。如果进程试图打开超过这个限制的文件数，系统会拒绝打开文件
* hard nproc 65537   #用于设置进程数的硬限制，即最大限制。如果进程试图创建超过这个限制的子进程，系统会拒绝创建子进程

 vi /etc/security/limits.d/20-nproc.conf

*          soft    nproc     4096  #变更soft  nproc项值为4096

 vi /etc/sysctl.conf 

vm.max_map_count = 262144    #用于设置每个进程能够拥有的最大内存映射区域数量，这个参数通常用于支持 Elasticsearch、Logstash 等应用程序，如果这些应用程序需要使用大量内存映射区域，就需要增加这个参数的值
net.core.somaxconn = 65535    #于设置系统中每个监听套接字的最大连接数。这个参数通常用于支持高并发的网络应用程序，例如 Web 服务器。增加这个参数的值可以提高系统的并发性能
net.ipv4.ip_forward = 1   #用于启用 IP 转发功能，允许系统作为路由器转发数据包。这个参数通常用于构建复杂的网络拓扑，例如 VPN 网络

执行以下命令使配置生效

sysctl -p

 在官网下载elasticsearch的安装包，本次搭建选择了7.17.10版本 

下载连接：Past Releases of Elastic Stack Software | Elastic

新建目录，将安装包上传到主机中并解压更改名称

mkdir /opt/elasticsearch

cd /opt/elasticsearch

tar -zxvf elasticsearch-7.17.10-linux-x86_64.tar.gz

mv elasticsearch-7.17.10-linux-x86_64 elasticsearch

ls /opt/elasticsearch

编辑elasticsearch配置文件

vi /opt/elasticsearch/elasticsearch/config/elasticsearch.yml

node.name: es01   #编辑es名称
path.data: /opt/elasticsearch/elasticsearch/data   #es数据存放路径
path.logs: /opt/elasticsearch/elasticsearch     #es日志存放路径
bootstrap.memory_lock: true          #内存锁配置
network.host: 0.0.0.0        #es地址，如果配置为127.0.0.1就只能本机访问
http.port: 9200              #es服务端口
discovery.seed_hosts: ["127.0.0.1", "[::1]"]    #es集群地址，因为是单节点配置本机就行
cluster.initial_master_nodes: ["es01"]     #es名称，因为是单节点配置本机es名称就行

以上的配置文件中，若是将host地址配置为127.0.0.1，就只能本机访问，配置文件不用加 discovery.seed_hosts和cluster.initial_master_nodes，也不用做主机优化es服务也能正常启动

创建elasticsearch服务的用户，elasticsearch服务不能使用root启动，不然会报错

groupadd elasticsearch

useradd elasticsearch -g elasticsearch -p elasticsearch   #-g指定用户组  -p指定密码

chown -R elasticsearch.elasticsearch /opt/elasticsearch/elasticsearch  

切换用户启动es服务

su elasticsearch

/opt/elasticsearch/elasticsearch/bin/elasticsearch -d   #-d为后台启动es服务

访问es服务看是否正常

curl 10.1.60.114:9200

 输出此内容表示es服务正常启动

 

2.2Logstash部署

安装logstash服务也需要java环境，因为和es在同一台机器上，就不需要再部署java环境了

在官网下载Logstash的安装包，本次搭建选择了7.17.10版本

Past Releases of Elastic Stack Software | Elastic

新建目录，将安装包上传到主机中并解压更改名称

mkdir /opt/logstash

cd /opt/logstatsh

tar -zxvf logstash-7.17.10-linux-x86_64.tar.gz

mv logstash-7.17.10-linux-x86_64 logstatsh

ls /opt/logstash

编辑logstash配置文件

vi /opt/logstash/logstash/config/logstash.conf 

input {             #日志收集
  beats {           #通过filebeat去收集日志
    port => 5044     #logstash的监听端口
    codec => "json"   #设置日志根式为json
  }
}

output {           #将收集的日志推送到es存储
  elasticsearch {            #配置es参数
    hosts => ["http://10.1.60.114:9200"]    #es服务的地址和端口
    index => "tmk-log"                      #指定es的索引名称
  }
}

 启动logstash服务

nohup /opt/logstash/logstash/bin/logstash -f /opt/logstash/logstash/config/logstash.conf > /opt/logstash/logstash/logstash.log &

查看服务是否启动

ps -ef |grep logstash

netstat -tlpn |grep 5044

一般情况下logstash与filebeat搭配使用，filebeat作为轻量级的日志收集服务，部署在每个主机上，而logstash是比较重的日志收集服务，作日志的统一归集，在发送到es上存储

2.3kibana部署

安装kibana也需要部署java环境，7版本以上的也是使用jdk 11版本以上

 参考：jdk1.8环境配置_Apex Predator的博客-优快云博客

在官网下载kibana的安装包，本次搭建选择了7.17.10版本

Past Releases of Elastic Stack Software | Elastic

新建目录，将安装包上传到主机中并解压更改名称

mkdir /opt/kibana

cd /opt/kibana

tar -zxvf kibana-7.17.10-linux-x86_64.tar.gz

mv kibana-7.17.10-linux-x86_64 kibana

ls /opt/kibana

 编辑kibana配置文件

vi /opt/kibana/kibana/config/kibana.yml

server.port: 5601   #配置监听端口
server.host: "0.0.0.0"   #配置访问地址
server.name: "kibana"   #kibana名称
elasticsearch.hosts: ["http://127.0.0.1:9200"]    #配置es服务的地址
i18n.locale: "zh-CN"     #更改界面为中文模式

kibana也不能使用root用户启动，所以需要创建启动kibana服务用户

groupadd kibana

useradd kibana -g kibana -p kibana

授予权限给kibana目录

chown -R kibana.kibana /opt/kibana/kibana

切换用户启动kibana服务

su kibana

nohup /opt/kibana/kibana/bin/kibana > /opt/kibana/kibana/kibana.log &

查看kibana服务是否正常

netstat -tlpn |grep 5601

 

访问kibana

http://10.1.60.114:5601/

 

收录于
elk

当前文章被收录于：

elk
12 篇文章 3 人学习
订阅专栏 查看详情
标签
#elk #大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
ELK基础配置和使用 阅读详情

相关推荐

1.ELK之Elasticsearch&Kibana一篇入门(安装/分片/操作流程/常用语句/分词)

elasticsearch安装

mijichui2153的博客 9172

ELK搭建

1.需要准备一台linux服务器（最好是CentOS7）,内存至少4g以上（三个组件都比较占用内存）2.需要有docker使用经验。

黑马程序员官方博客 3038

ELK集群搭建过程

ELK集群搭建过程

菜鸟 2662

ELK 环境搭建

ELK 其实是 Elasticsearch、Logstash和Kibana三个产品的首字母缩写，这三款都是开源产品。

默存 7241

ELK基础搭建

一、认识ELK ELK是一套开源的日志分析系统，由elasticsearch+logstash+Kibana组成。 官网说明：https://www.elastic.co/cn/products 首先: 先一句话简单了解 E，L，K 这三个软件 elasticsearch: 分布式搜索引擎 logstash: 日志收集与过滤，输出给elasticsearch Kibana: 图形化展示 部署环境 192.168.100.115 vm1.example.com vm1 192.168.100.116

。 2235

STM32版CCD线性摄像头寻线寻迹小车_stm32接ccd

目前大多数的小车寻线寻迹都是用红外对管寻线，这是比较简单也比较成熟的技术方案，且成本也低。本文将介绍使用CCD线性摄像头寻线寻迹。TSL1401 线性传感器由一个 1x128 的光电二极管阵列、相关的电荷放大电路以及一个内部像素数据保功能组成。内部像素数据保功能可以为所有像素点提供同时积分的开始和停止时间。该阵列由 128 个像素组成，每个像素的感光面积为 3,524.3 平方微米。像素之间的间隔为 8μm。内部控制逻辑简化了操作，该模块需要串行输入（SI）信号和时钟信号（CLK）。

2401_87557129的博客 3229

ELK搭建教程

ELK就是ElasticSearch + LogStash + Kibana，公司一直在使用ELK进行日志收集可视化，感觉ELK是一套十分有用的工具，为了了解ELK的原理，熟悉ELK操作，准备自己在测试服务器上部署一套ELK系统 1. LogStash 它可以流放到各自的服务器上收集Log日志，通过内置的ElasticSearch插件解析后输出到ES中。 2.ElasticSearch 这是...

slibra_L的博客 2677

ICG setup timing violation介绍？

门控时钟(clock gating)在RTL级电路设计过程中进行低功耗优化常用方法，能够有效降低动态功耗（翻转功耗）。Clock gating cell 可以由与门，与非门，或门或者或非门构成，但很容易产生Glitch。在实际使用中，一般用ICG（集成门控时钟单元）来完成clock gating。 下图展示了glitch的产生原因 在CTS时钟树综合的时候，ICG不会被看作sink，通常放置在source点附近，因此就会出现如上图这种结果。上图可以看出，在分析DFF到ICG的setup timing

m0_61003348的博客 9809

如何搭建ELK

​Filebeat（可选但推荐）​​：轻量级日志收集器，部署在客户端节点。​Logstash​：日志处理管道（接收、解析、过滤、输出）。​​：分布式搜索引擎，存储和索引数据。​Kibana​：数据可视化 Dashboard。​Kafka（可选，高并发场景）​​：作为日志缓冲队列。⚠️ ​最小化部署​：可将 Logstash + ES + Kibana 装在同一台服务器（测试环境）。生产环境建议分离部署。

zwh1zwh的博客 1571

实战Nocobase插件开发：如何用yarn pm命令快速创建和测试API接口插件

本文详细介绍了如何使用Nocobase插件开发工具快速创建和测试API接口插件，涵盖从环境配置、插件骨架生成到数据模型定义和接口实现的完整流程。通过yarn pm命令简化开发步骤，帮助开发者高效构建支持CRUD的API插件，适用于低代码平台开发场景。

weixin_29313239的博客 457

手把手教你搞定MT6701磁编码器的SSI通信与CRC-6校验（附避坑代码）

本文详细介绍了MT6701磁编码器的SSI通信与CRC-6校验的实现方法，包括硬件连接、时序配置、数据读取和专用CRC-6算法。通过提供避坑代码和常见问题解决方案，帮助开发者快速掌握磁编芯片的调试技巧，确保通信稳定可靠。

weixin_30872337的博客 218

ELK 搭建 & 日志集成

在centos7上成功搭建了ELK并且正常收集到了来自微服务的日志，以及通过kibana进行正常查询。计划下一篇写ELK和skywalking链路跟踪的集成。

2401_87705025的博客 1305

RV1126上YOLOv8部署实战：从模型转换到板端推理的完整避坑指南

本文提供了在瑞芯微RV1126芯片上部署YOLOv8目标识别算法的完整实战指南。内容涵盖从模型转换、环境搭建到板端推理代码编写的全流程，重点解析了RKNN-Toolkit使用、量化配置、内存优化及后处理实现等关键环节的常见问题与解决方案，旨在帮助开发者高效避坑，实现边缘AI应用的稳定落地。

pz89012345的博客 568

使用 Docker 搭建 ELK 环境

本文使用「署名 4.0 国际 (CC BY 4.0)」许可协议，欢迎转载、或重新修改使用，但需要注明来源。 署名 4.0 国际 (CC BY 4.0) 本文作者: 苏洋 创建时间: 2020年05月04日 统计字数: 12679字 阅读时间: 26分钟阅读 本文链接: https://soulteary.com/2020/05/04/use-docker-to-build-elk-environm...

折腾技术 7257

Box2D-Lite源码阅读笔记(2)

0.初始化函数 static void InitDemo(int index) { world.Clear(); numBodies = 0; numJoints = 0; bomb = NULL; demoIndex = index; demos[index](bodies, joints); } 在这个初始化函数中，一般会默认执行index=0的函数，这个函数就是一个示例，因为示例比较简单，所以也便于研究，示例效果如下。 就是一个方块。 进入第一个示例函数。(忽略我加的注释)

ARTELE的博客 976

基于泰勒展开改进的物理信息神经网络

基于泰勒展开改进的物理信息神经网络

天天酷科研的博客 504

简易ELK搭建

ELK包括elasticsearch、logstash、kibana,是用于数据抽取（Logstash）、搜索分析（Elasticsearch）、数据展现（Kibana）的一整套解决方案，本文搭建的为7.8版本，均为单节点部署（JDK要求1.8.0_73以上）

weixin_45617480的博客 1746

推荐系统[一]：超详细知识介绍，一份完整的入门指南，解答推荐系统相关算法流程、衡量指标和应用，以及如何使用jieba分词库进行相似推荐，业界广告推荐技术最新进展

推荐算法其实本质上是一种信息处理逻辑，当获取了用户与内容的信息之后，按照一定的逻辑处理信息后，产生推荐结果。热度排行榜就是最简单的一种推荐方法，它依赖的逻辑就是当一个内容被大多数用户喜欢，那大概率其他用户也会喜欢。但是基于粗放的推荐往往会不够精确，想要挖掘用户个性化的，小众化的兴趣，需要制定复杂的规则运算逻辑，并由机器完成。召回：当用户以及内容量比较大的时候，往往先通过召回策略，将百万量级的内容先缩小到百量级。

丨汀、的博客 7591

徒手从零搭建一套ELK日志平台

日志分析是运维工程师解决系统故障，发现问题的主要手段日志主要包括系统日志、应用程序日志和安全日志系统运维和开发人员可以通过日志了解服务器软硬件信息、检查配置过程中的错误及错误发生的原因经常分析日志可以了解服务器的负荷，性能安全性，从而及时采取措施纠正错误ELK是一个开源的数据分析平台，由三个开源项目Elasticsearch、Logstash和Kibana组成，因此被称为ELKELK主要用于处理和分析大量的日志数据，支持实时搜索、数据可视化和分析。

深入Java世界：探索编程之美与技术深度 3376

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

ELK简单搭建

ELK需要java环境，5.X以上版本要求不低于jdk1.8环境 一、windows环境搭建 1.下载FileBeat、Logstash、ElasticSearch、Kibana 从下面的地址下载windows版本的压缩包。 FileBeat下载地址：https://www.elastic.co/cn/downloads/beats/filebeat Logstash下载地址：https...

zhangcjsyl的博客 226

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

ELK的搭建和使用

ELK的搭建和使用

YIYIYI 4887

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

徒手从零搭建一套ELK日志平台（万字教程）

日志分析是运维工程师解决系统故障，发现问题的主要手段日志主要包括系统日志、应用程序日志和安全日志系统运维和开发人员可以通过日志了解服务器软硬件信息、检查配置过程中的错误及错误发生的原因经常分析日志可以了解服务器的负荷，性能安全性，从而及时采取措施纠正错误ELK是一个开源的数据分析平台，由三个开源项目Elasticsearch、Logstash和Kibana组成，因此被称为ELKELK主要用于处理和分析大量的日志数据，支持实时搜索、数据可视化和分析。

lingqu＋wx bjmsb06 2706

ELK 日志收集平台搭建

以下可以看到有日志了，但是时间早了 8个小时，因为我现在的时间差不多快到 1 点了**（注意！查看日志的时候一定要将日志查询时间设置为一周，防止你看不到数据）**以下可以看到有三个节点，node-1、node-2、node-3，其中 node-1 为master节点。注意，ES是个数据库,所以这些密码都是在 ES 数据库中进行存储的。这里的密码是我们在ES集群中自动生成密码的时候有.复制过来即可。这里的写的就是kibana连接ES集群使用的账户密码。ES集群中每个节点都需要做！以下可以看到时间改回来了。

qq_52300718的博客 880
上一篇： linux日志查询
下一篇： shell正则入门
点赞 0
评论 0
书签 书签 0
Apex Predator
Apex Predator
博客等级 码龄6年 9371粉丝 289原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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