为什么你的docker exec看不到关键进程?真相只有一个(Debug必看)

第一章:为什么你的docker exec看不到关键进程?真相只有一个

当你在容器中执行 docker exec -it <container_id> ps aux 却发现某些预期中的关键进程缺失时,问题往往不在于命令本身,而在于你所进入的容器执行环境是否与目标进程处于同一命名空间。

容器启动方式决定进程可见性

Docker 容器基于镜像运行一个主进程(PID 1),所有其他进程都是该进程的子进程。如果你使用了多阶段启动脚本或进程管理工具(如 supervisord),但未正确启动服务,那么即使容器运行中,目标进程也可能从未被拉起。
  • 确认容器内主进程是否正常运行:
    docker top <container_id>
  • 检查容器启动日志以排查服务初始化失败:
    docker logs <container_id>
  • 进入容器前先确认 ENTRYPOINT 或 CMD 是否按预期执行

init进程缺失导致孤儿进程被回收

Linux 容器依赖 init 进程管理子进程生命周期。若未使用 --init 参数且镜像中无 init 系统,某些后台进程可能因父进程退出而被提前终止。 例如,以下命令可启用内置 init:
# 使用 tini 作为 init 进程
docker run --init -d myapp:latest

共享命名空间的影响

有时多个容器通过 --pid=container:<name> 共享 PID 命名空间。此时使用 docker exec 将仅显示该命名空间下的进程视图,而非传统意义上的“全部”。
场景现象解决方案
服务未在 CMD 中启动exec 可进入但无服务进程检查 Dockerfile 启动指令
进程崩溃退出容器仍在运行但服务不可见查看日志定位异常
graph TD A[执行 docker exec] --> B{容器内存在目标进程?} B -->|否| C[检查 docker logs] B -->|是| D[正常访问] C --> E[分析启动脚本或配置] E --> F[修复并重建镜像]

第二章:Docker容器进程模型解析

2.1 容器PID命名空间隔离机制详解

PID命名空间是Linux实现进程隔离的核心机制之一,它使得每个容器拥有独立的进程ID视图,容器内的进程无法感知宿主机及其他容器的进程存在。
命名空间创建与隔离
通过系统调用 clone() 创建新进程时传入 CLONE_NEWPID 标志,可为其分配独立的PID命名空间。例如:
pid_t pid = clone(child_func, stack, CLONE_NEWPID | SIGCHLD, NULL);
该调用后,child_func 中的进程在新的PID命名空间中运行,其看到的进程ID从1开始重新编号。
层级视图差异
同一进程在不同命名空间中具有不同的PID。宿主机上使用 ps aux 可见完整进程列表,而容器内执行相同命令仅显示其命名空间中的进程。
环境PID 1 进程
宿主机systemd
容器sh 或 init

2.2 主进程(PID 1)在容器中的特殊角色

在容器环境中,主进程(PID 1)承担着传统操作系统中 init 进程的职责,负责信号转发、子进程回收和生命周期管理。
信号处理机制
容器内应用需正确响应 SIGTERM 等终止信号。若主进程不支持,会导致 docker stop 超时:
#!/bin/sh
trap "echo 'Shutting down'; exit 0" SIGTERM
while true; do sleep 1; done
该脚本通过 trap 捕获 SIGTERM,实现优雅关闭。未处理时,进程将被强制 kill -9。
僵尸进程预防
当子进程退出而父进程未调用 wait(),会产生僵尸进程。PID 1 必须具备回收能力:
  • 使用 tini 等轻量 init 系统作为主进程
  • 在自定义入口脚本中启用子进程回收逻辑

2.3 多进程容器与进程树结构分析

在容器化环境中,多进程管理是资源隔离与任务调度的核心。传统容器默认仅运行单个主进程,但某些场景需支持多个协作进程共存,此时需深入理解其内部的进程树结构。
进程树的形成机制
容器启动时,PID 为 1 的进程作为根节点,后续派生进程构成子树。该结构直接影响信号传递、孤儿进程处理及资源回收行为。
ps auxf
# 输出示例:
# root         1  0.0  0.1  12345  6789 ?        Ss   10:00   0:00 /usr/bin/python app.py
# root         2  0.0  0.0   9876  1234 ?        S    10:00   0:00  \_ /usr/sbin/cron
# root         3  0.0  0.0   8765  5678 ?        S    10:00   0:00  \_ /usr/bin/tail -f /var/log/app.log
上述命令展示容器内进程层级。PID 1 进程(python app.py)派生出 cron 和日志监控子进程,构成完整进程树。
关键特性对比
特性单进程容器多进程容器
初始化进程直接执行应用通常使用 init 系统(如 tini)
信号处理由主进程接收需转发至子进程

2.4 exec模式与entrypoint的启动差异

在Docker容器启动过程中,`exec`模式与`shell`模式的行为存在本质区别。`exec`模式直接执行指定命令,不经过shell解析,具备更高的性能和安全性。
exec模式示例
{
  "Entrypoint": ["/bin/redis-server", "--port", "6379"]
}
该配置以`exec`形式启动Redis服务,进程PID为1,可正确接收系统信号(如SIGTERM),便于优雅关闭。
与shell模式对比
  • exec模式:直接调用execve()系统调用,无中间shell进程
  • shell模式:通过/bin/sh -c启动,增加进程层级,可能导致信号处理异常
特性exec模式shell模式
进程PID1非1(子进程)
信号转发支持需手动处理

2.5 实验验证:在容器中观察真实进程视图

为了验证容器内进程隔离的真实性,可通过运行一个带有调试工具的容器实例,直接查看其内部的进程视图。
启动带诊断能力的容器
使用以下命令启动一个包含 procps 工具集的 Alpine 容器:
docker run -it --rm alpine:latest sh -c "apk add procps; ps aux"
该命令首先安装 ps 命令用于列出进程,执行后仅显示容器自身的初始化进程及其子进程,表明进程空间已被隔离。
宿主机对比观察
在宿主机上执行 ps aux,可发现存在大量系统和服务进程,而这些在容器内均不可见。这说明容器通过命名空间(pid namespace)实现了进程视图的隔离。
  • 容器内仅能看到属于当前命名空间的进程
  • 宿主机上的所有进程对容器默认不可见
  • 此机制是容器轻量级隔离的核心特性之一

第三章:常见导致进程不可见的原因

3.1 进程崩溃或启动失败的隐蔽性问题

在分布式系统中,进程崩溃或启动失败常表现为静默异常,难以通过常规监控及时捕获。这类问题可能导致服务长时间处于非可用状态,进而影响整体系统的稳定性。
常见触发场景
  • 配置文件语法错误导致进程启动时立即退出
  • 依赖服务未就绪引发初始化超时
  • 权限不足或资源竞争造成 fork 失败
诊断代码示例
if err := cmd.Start(); err != nil {
    log.Fatalf("进程启动失败: %v", err)
}
if err := cmd.Wait(); err != nil {
    if exitError, ok := err.(*exec.ExitError); ok {
        log.Printf("进程意外退出,状态码: %d", exitError.ExitCode())
    }
}
上述 Go 语言片段通过 cmd.Start() 和 cmd.Wait() 分离进程的启动与等待阶段,可精确区分“启动失败”与“运行中崩溃”。ExitError 类型断言进一步提取退出码,辅助定位根本原因。

3.2 后台化进程未正确挂载到前台

在现代应用架构中,后台进程与前台界面的通信至关重要。若两者未正确挂载,可能导致任务执行状态无法反馈、用户操作无响应等问题。
常见挂载失败原因
  • 进程间通信(IPC)通道未初始化
  • 事件监听器注册顺序错误
  • 权限配置缺失导致访问被拒
代码示例:修复挂载逻辑
func mountBackendToFrontend() error {
    // 建立双向通信管道
    conn, err := ipc.Connect("frontend-bridge")
    if err != nil {
        return fmt.Errorf("failed to connect: %v", err)
    }
    // 注册事件处理器
    conn.On("taskUpdate", handleTaskUpdate)
    return nil
}
上述代码通过初始化 IPC 连接并绑定事件处理器,确保后台任务状态可推送至前端。参数 frontend-bridge 指定通信端点,handleTaskUpdate 为回调函数,用于更新 UI 状态。

3.3 容器内init系统缺失导致孤儿进程回收异常

在容器化环境中,PID 1 进程承担着类似传统 init 系统的职责。当容器中未运行专用 init 进程时,主进程崩溃后产生的孤儿进程将无法被正常回收,从而造成资源泄漏。
常见表现与问题根源
  • 僵尸进程在容器中持续累积
  • 信号处理异常,如 SIGTERM 无法正确传递
  • PID 1 未实现 wait() 系统调用回收子进程
解决方案示例:使用 dumb-init
FROM debian:stable
RUN apt-get install -y dumb-init
ENTRYPOINT ["dumb-init", "--"]
CMD ["./my-app.sh"]
该配置通过 dumb-init 作为 PID 1,接管信号转发与僵尸进程回收。参数 -- 后指定实际应用启动命令,确保所有子进程处于正确的进程树中。
核心机制对比
场景孤儿进程回收信号处理
无 init失败部分失效
使用 dumb-init成功完整支持

第四章:调试技巧与解决方案实战

4.1 使用nsenter绕过docker exec进入命名空间

在某些受限环境中,docker exec可能因权限策略或容器运行时配置而无法使用。此时,nsenter提供了一种底层替代方案,通过直接进入容器的命名空间实现进程注入。
工作原理
nsenter允许在指定进程的命名空间中执行命令。Docker容器本质是运行在特定命名空间中的普通进程,可通过其PID进入。
# 获取容器PID
container_pid=$(docker inspect --format '{{ .State.Pid }}' container_name)

# 使用nsenter进入该PID的命名空间
nsenter -t $container_pid -m -u -i -n -p /bin/sh
上述命令中:
  • -t:指定目标进程PID;
  • -m:进入mount命名空间;
  • -u:UTS命名空间(主机名隔离);
  • -i:IPC命名空间;
  • -n:网络命名空间;
  • -p:PID命名空间。
该方法绕过了Docker守护进程,直接与内核命名空间交互,适用于调试或恢复场景。

4.2 挂载/proc并手动检查进程表状态

在Linux系统启动早期,若根文件系统尚未完整挂载,可通过临时挂载/proc文件系统来访问内核提供的运行时信息。该虚拟文件系统位于内存中,不占用磁盘空间,提供对进程和系统状态的实时接口。
挂载 /proc 文件系统
使用以下命令手动挂载:
mount -t proc proc /proc
其中,-t proc指定文件系统类型为proc,proc为挂载源(虚拟),/proc为目标挂载点。成功执行后,即可通过/proc/[pid]/目录查看各进程详细信息。
检查进程表状态
列出当前所有进程ID:
  • ls /proc | grep '^[0-9]*$':筛选出以数字命名的目录,对应各进程PID
  • cat /proc/loadavg:查看系统平均负载
  • cat /proc/meminfo:获取内存使用详情
这些操作为系统调试与恢复提供了底层可见性。

4.3 借助debug工具镜像注入排查环境

在容器化环境中,服务异常往往难以通过日志直接定位。使用带有调试工具的镜像进行注入,是深入分析运行时状态的有效手段。
构建可调试的Sidecar镜像
通过Dockerfile扩展基础镜像,集成telnet、curl、strace等诊断工具:
FROM alpine:latest
RUN apk add --no-cache curl tcpdump strace
CMD ["sh"]
该镜像可在Pod中以Sidecar形式运行,实现网络和系统调用层面的观测。
注入方式与权限控制
  • 利用kubectl debug临时注入调试容器
  • 确保Pod配置允许共享命名空间和进程视图
  • 遵循最小权限原则,避免生产环境滥用
结合tcpdump抓包与strace跟踪系统调用,可精准识别服务间通信瓶颈或依赖异常。

4.4 日志与exit code结合定位进程生命周期

在分布式系统中,准确追踪进程的启动、运行与终止状态至关重要。通过将日志记录与进程退出码(exit code)相结合,可实现对进程生命周期的精细化诊断。
日志与退出码的协同分析
标准退出码能快速标识进程终止原因,例如 0 表示成功,非零值则代表异常。配合时间戳日志,可还原进程执行路径。
Exit Code含义
0正常退出
1通用错误
126权限不足
./worker.sh || echo "Process failed with exit code $?" >> /var/log/worker.log
上述脚本在命令失败时记录具体退出码,便于后续关联日志分析故障点。日志中应包含关键阶段标记,如“started”、“processing task”、“exited”。

第五章:总结与最佳实践建议

监控与告警机制的建立
在生产环境中,系统的可观测性至关重要。建议使用 Prometheus 采集指标,并通过 Grafana 进行可视化展示。以下是一个典型的 Prometheus 配置片段:

scrape_configs:
  - job_name: 'kubernetes-pods'
    kubernetes_sd_configs:
      - role: pod
    relabel_configs:
      - source_labels: [__meta_kubernetes_pod_annotation_prometheus_io_scrape]
        action: keep
        regex: true
容器镜像优化策略
使用多阶段构建减少最终镜像体积,避免包含不必要的依赖和调试工具。例如,在 Go 应用中:

// Dockerfile 示例
FROM golang:1.21 AS builder
WORKDIR /app
COPY . .
RUN go build -o myapp .

FROM alpine:latest
RUN apk --no-cache add ca-certificates
COPY --from=builder /app/myapp .
CMD ["./myapp"]
  • 始终为镜像打上语义化标签(如 v1.2.3),避免使用 latest
  • 启用内容信任(Docker Content Trust)确保镜像来源可信
  • 定期扫描镜像漏洞,推荐集成 Trivy 或 Clair 到 CI 流程中
权限最小化原则实施
Kubernetes 中应通过 RBAC 严格限制服务账户权限。以下表格展示了推荐的权限分配模式:
服务类型允许操作禁止操作
前端应用读取 ConfigMap、访问自身 Pod创建/删除资源、访问其他命名空间
监控代理读取节点指标、列出 Pod修改工作负载、执行命令
代码提交 CI 自动测试 人工审批
Docker–基础命令之ps docker 基础命令 PS docker ps [option] OPTIONS说明: -a :显示所有的容器,包括未运行的。 -f :根据条件过滤显示的内容。 –format :指定返回值的模板文件。 -l :显示最近创建的容器。 -n :列出最近创建的n个容器。 –no-trunc :不截断输出。 -q :静默模式,只显示容器编号。 -s :显示总的文件大小。 命令可组合 例如:列出所有创建的容器ID docker ps -a -q 显示出所有运行中的容器信息 docker ps 输出详情介绍: CONTAINER ID: 容器 ID。 IMAGE: 使用的镜像。 COMMAND: 启 立即下载

相关推荐

逆向实战:360加固DEX解密全流程解析(附Frida脚本与SoFixer修复技巧)

本文深入解析360加固DEX解密的全流程,涵盖动态Hook技术、Frida脚本应用及SoFixer修复技巧。通过实战案例详细展示如何识别加固特征、定位关键函数、实现ELF文件修复,并解析RC4和zlib解密算法,为逆向工程师提供全面的技术指导。

weixin_29323551的博客 613

使用Docker启动mysql成功后,使用docker ps查不到问题解决方法!

docker启动mysql

qq_41645986的博客 3727

手把手教你用二茂铁催化剂搞定醇的动力学拆分(保姆级实验避坑指南)

本文详细介绍了使用平面手性二茂铁催化剂进行醇的动力学拆分的全流程,包括催化剂选择与制备、反应体系搭建与条件优化、实时监测与反应淬灭、产物分离与纯化等关键步骤。通过实战案例和避坑指南,帮助实验人员实现>98% ee的拆分效果,特别适合需要高光学纯度二级芳基醇或烯丙醇的研究者。

weixin_30500105的博客 440

docker ps 容器未显示的问题及排查过程

在k8s配置的镜像仓库docker-repositry机器里,启动并运行部分数据库、消息队列等容器,因网络波动影响服务器操作。故对服务器进行重启操作,在重启完后,查看docker发现没显示容器和镜像。

宇弟儿的博客 6994

生信人的一天~HIFI数据+HIC数据组装基因组

HIFI+HIC数据组装基因组!

qq_43337286的博客 9535

【图形学】Loop细分算法及半边结构实现(C++)

文章目录Loop 细分算法介绍增加新顶点更新旧顶点算法实现半边结构半边结构的表示方法半边结构的构造方法创建所有顶点创建所有面及半边半边结构的使用 Loop 细分 顾名思义,网格细分是将粗糙网格精细化的过程,如下动图。Loop细分是众多网格细分算法的一种,Loop细分仅仅对三角形网格模型有效。值得注意的是,虽然叫Loop细分,但是不能理解为“循环”细分,叫这个名字是因为作者的名字是这个而已。 下面是一个粗糙的兔子模型1000个面,进行3次细分 算法介绍 Loop细分算法主要分两步进行 增加新顶点:增加

wk_119的博客 8069

docker启动mysql实例之后,docker ps命令查询不到

然后docker ps 即可重新查看docker 下的mysql容器信息。2.docker ps -a 查看,发现容器是退出状态。但是紧接着使用docker ps查看没有容器。1.首先拉取mysql,创建并启动实例。

footbridge的博客 3580

海康工业相机SDK开发实战:从环境搭建到实时图像采集(附避坑指南)

本文详细介绍了海康工业相机SDK在Windows平台上的开发实战流程,涵盖从环境搭建、运行时库路径配置到实时图像采集的全过程。重点解析了MVS SDK部署、设备连接、参数设置及图像处理等核心环节,并提供了实用的避坑指南和错误排查方法,帮助开发者构建稳定的机器视觉系统。

weixin_29248611的博客 850

docker run之后 docker ps 不显示运行中的容器

docker run 启动mysql以后 生成的对应容器直接exited(1)

ZhouZhou_1201的博客 2938

DeepSeek赋能CAD:从API调用到智能设计工作流的实战指南

本文详细介绍了如何利用DeepSeek AI技术赋能CAD设计工作流,从API调用到智能设计优化的实战指南。通过Python环境配置、API接入详解以及四大智能设计场景的实战案例,帮助CAD设计师实现参数化设计优化、自动规范检查等高效工作方式,大幅提升设计效率和质量。

weixin_29092579的博客 633

银河麒麟V10SP1系统盘瘦身指南:如何制作一个只含必需软件的轻量级安装镜像

本文详细介绍了银河麒麟V10SP1系统盘瘦身的完整流程,从依赖分析到最小化镜像构建,帮助用户创建只含必需软件的轻量级安装镜像。通过智能包筛选、KickStart定制和性能优化,显著减少ISO体积和部署时间,适用于服务器批量部署等场景。

weixin_26765287的博客 404

使用 GDB debug docker 内进程

问题 docker 内的进程如何通过 gdb attach ? 解决方案 先进入容器内,然后通过 gdb attach 上相应进程即可 查找容器 sudo docker ps 进入容器 # 假定 container ID is 1234567890 docker exec --privileged -i -t 1234567890 /bin/bash 安装 GDB apt-get update apt-get install gdb 查找进程并 attach ps -aux | grep "binar

w123456709的博客 1652

【华为OD机试真题】439、精准核酸检测 | 机试真题+思路参考+代码解析 (C++、Java、Py、C语言、JS)

题目描述 >为了达到新冠疫情精准防控的需要,为了避免全员核酸检测带来的浪费,需要精准圈定可能被感染的人群现在根据传染病流调以及大数据分析,得到了每个人之间在时间、空间上是否存在轨迹的交叉。现在给定一组确诊人品编号(X1 X2 X3.....n)在所有人当中,找出哪些人票要进行核酸检测,输出需要进行核酸检测的人数。(注意:确诊病例自身不需要再做核酸检) >  需要进行核酸检测的人,是病毒传播链条上的所有人员,即有可能通过确诊病例所能传播到的所有人   例如:A是确诊病例,A和B有接触、B和

KJ.JK 1439

Docker Exec 命令:从基础操作到企业级实践

摘要:Docker Exec 命令全指南 本文全面解析 Docker exec 命令的企业级应用,涵盖核心架构、参数解析、实战技巧和安全实践。

✨ 欢迎来到【Seal ^_^ 的优快云博客】!✨ 1万+

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

容器内进程看不见?一文解决Docker debug中的进程监控难题,99%的人都忽略了这一点

解决Docker debug中容器进程不可见难题,深入解析Docker Debug的进程查看方法,涵盖nsenter、exec进入容器及命名空间隔离原理,适用于线上故障排查与性能监控。掌握这一细节,提升调试效率90%,值得收藏

FuncInk的博客 762

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")

Docker Debug实战:掌握进程查看的7个关键命令(资深工程师私藏笔记)

掌握Docker Debug的进程查看技巧,快速定位容器内异常进程。涵盖ps、top、htop等7个实用命令,适用于故障排查与性能分析场景,提升运维效率。方法简单高效,值得收藏。

codeink的博客 666

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

【Docker运维必知必会】:exec交互式命令的7个关键应用场景

掌握Docker容器运维核心技巧,详解Docker容器执行命令exec交互式操作的7大应用场景。涵盖故障排查、配置调试、环境验证等实战需求,提升容器管理效率。方法实用,场景清晰,值得收藏。

DevPath的博客 858

【Docker基础】Docker容器管理:docker exec详解

docker exec是Docker容器管理的瑞士军刀,掌握它的各种用法可以极大提升容器运维效率,通过合理使用docker exec,开发者可以高效地调试、管理和维护运行中的容器,充分发挥Docker容器的优势。:保持STDIN打开,即使没有附加。:需要交互式shell会话时。:执行不需要交互的后台任务。:需要在特定目录执行命令时。附加到运行中容器的主进程。:需要向容器内输入命令时。:需要特定环境执行命令时。:需要特定权限执行命令时。查看/交互主进程输出。:指定执行命令的用户。:设置命令的工作目录。

IT成长日记的博客 3120

Docker 容器交互与调试:exec 与 attach 的 3 种场景与风险规避

本文深入解析Docker容器交互工具`docker exec`与`docker attach`的核心差异,通过3种典型场景演示其正确使用方法与风险规避策略。重点对比进程模型、会话特性及生产环境调试规范,帮助开发者安全高效地进行容器调试与交互操作。

cuiji1279的博客 426

【Docker调试进阶指南】:深入剖析容器进程查看的5大核心技巧

掌握Docker Debug 的进程查看技巧,快速定位容器内异常进程。涵盖ps、top、exec等命令实战用法,适用于服务卡顿、资源占用高场景,实现高效排查与监控。方法实用,值得收藏

InstrFun的博客 890

容器日志看不到?教你3种高级Docker Debug手法,突破调试盲区

遇到容器日志看不到?掌握这3种Docker Debug的容器调试技巧,轻松定位问题。适用于生产环境无日志、服务静默崩溃等场景,涵盖exec动态进入、临时镜像注入、日志驱动配置三大方法,快速突破调试盲区,值得收藏。

QuickProceed的博客 802

Docker ENTRYPOINT 原理与生产实践:PID 1 进程控制核心

ENTRYPOINT 是 Docker 容器中决定 PID 1 进程的关键指令,直接关系到信号传递、优雅终止、僵尸进程回收等底层行为。其 exec 形式确保应用直连 PID 1,是实现 SIGTERM 正确接收、docker stop 可靠生效、exec 调试可用的技术前提;而 shell 形式则因引入中间层导致信号丢失与进程失控。结合 entrypoint.sh 脚本可完成健康检查、环境适配与安全加固,广泛应用于微服务启动、Kubernetes 初始化容器及 CI/CD 自动化任务。理解 ENTRYPOI

weixin_34101229的博客 374

告别docker exec!这5种高效进入容器方法你会几种?

通过这个对比工具,我们可以清晰地看到不同进入方式的优缺点。在实际工作中,根据具体场景选择合适的方法,可以显著提高工作效率。如果你也想快速体验这个工具,可以尝试在InsCode(快马)平台上运行。这个平台支持多种编程语言项目的一键部署,我实际使用时发现它的环境配置非常方便,特别适合快速验证这类工具类项目。平台的操作流程很直观,不需要复杂的配置就能看到运行结果,对于想要快速测试不同容器进入方式的朋友来说是个不错的选择。

SilvermistFalcon19的博客 986

docker exec命令用法

是 Docker 中用于管理容器网络的命令,支持创建、查看、连接和删除网络,是容器间通信和多服务协作的关键工具。ls显示所有 Docker 网络(默认包含bridgehostnonecreate创建自定义网络(默认驱动为bridge。

bill的博客 1041

Docker命令---exec

一个正在运行的 Docker 容器(就像虚拟服务器一样),我们可以使用命令来管理容器里的文件资源(配置文件,环境变量等等)。首先需要知道该容器的 ID 或名称。可以使用** 查看所有容器(包括停止的容器)以找到正确的容器 ID 或名称。

m0_50920058的博客 4585

【专家级Debug技巧】:如何在无侵入环境下实时监控Docker容器所有进程?

掌握Docker Debug 的进程查看技巧,无需侵入容器即可实时监控所有运行进程。适用于故障排查、性能分析等场景,通过宿主机命令与工具组合实现高效观测。操作安全、零干扰业务,运维人员必备技能,值得收藏。

PoliSeed的博客 992
上一篇: 【稀缺资料】20年架构师揭秘:高密度6G仿真中的Docker资源管控术
下一篇: 【Docker网络诊断终极指南】:10个必掌握的Debug技巧与实战案例解析
BytePulse
博客等级 码龄1年 163粉丝 2177原创
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  | 博主筛选后可见
 
 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