Linux下双网卡绑定

DBDoctor DBDoctor 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 900+累计阅读 939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11年
关注
原创 最新推荐文章于 2026-04-30 09:24:43 发布 939 阅读 AI 写同款· GEO 优化 ›
Centos7.5双网卡绑定 这里写自定义目录标题 1判断网卡类型 使用命令ip a查看服务器所有网卡名称，如下图看到的网卡名称有“ens33” 使用光钎或把要配置双网卡绑定的两个口自己连自己。 使用ethtool查看每个网卡的详细信息，ethtool参数说明： Port：Twisted Pair（电口） FIBRE（光口） Link detected：网卡物理状态，yes为网卡起来，no为未起来。 确认Link detected状态为yes的是被自连起来的两个口。 2 备份网卡配置文件 [root@localhost ~]# c 阅读详情 
网络的吞吐量非常大，就造成网卡的压力很大，网卡bond是通过把多个物理网卡绑定为一个逻辑网卡，实现本地网卡的冗余，带宽扩容和负载均衡。

配置详解

1、查看网卡情况

[root@acarsorcl-standby ~]# ifconfig -a | grep eth
eth0      Link encap:Ethernet  HWaddr 3C:A8:2A:1E:98:38  
eth1      Link encap:Ethernet  HWaddr 3C:A8:2A:1E:98:39  
eth2      Link encap:Ethernet  HWaddr 3C:A8:2A:1E:98:3A  
eth3      Link encap:Ethernet  HWaddr 3C:A8:2A:1E:98:3B

选定eth0和eth1做网卡绑定。

2、修改eth0与eth1

vi /etc/sysconfig/network-scripts/ifcfg-eth0

DEVICE=eth0
HWADDR=3C:A8:2A:1E:98:38
TYPE=Ethernet
UUID=f9e7ec90-82b4-497b-b077-10745a38773e
ONBOOT=yes  #系统启动时自动启动该设备
NM_CONTROLLED=yes
BOOTPROTO=none  #启动时不使用任何协议
MASTER=bond0  #bond组
SLAVE=yes
vi /etc/sysconfig/network-scripts/ifcfg-eth1

DEVICE=eth1
HWADDR=3C:A8:2A:1E:98:39
TYPE=Ethernet
UUID=9fc46041-dc0c-4b7a-9d76-fdd67846b7bb
ONBOOT=yes
NM_CONTROLLED=yes
BOOTPROTO=none
MASTER=bond0
SLAVE=yes
3、绑定网卡的配置

vi /etc/sysconfig/network-scripts/ifcfg-bond0

DEVICE=bond0
TYPE=Ethernet
ONBOOT=yes
BOOTPROTO=static
IPADDR=172.26.25.3
NETMASK=255.255.0.0
GATEWAY=172.26.0.254
DNS1=192.168.200.111
4、配置绑定模式

vi /etc/modprobe.d/dist.conf
#add
alias bond0 bonding
options bond0 miimon=100 mode=6 
#miimon是指定隔多长时间来进行链路监测，单位是ms
#mode为绑定口的模式，0-6共7种，下面详细说明7种模式
5、虚拟网卡与物理网卡绑定

vi /etc/rc.local
#add
ifenslave bond0 eth0 eth1
6、重启网卡

service network restart

监控

[root@acarsorcl-primary network-scripts]# cat /proc/net/bonding/bond0 
Ethernet Channel Bonding Driver: v3.6.0 (September 26, 2009)

Bonding Mode: load balancing (round-robin)
MII Status: up
MII Polling Interval (ms): 100
Up Delay (ms): 0
Down Delay (ms): 0

Slave Interface: em2
MII Status: up
Speed: 1000 Mbps
Duplex: full
Link Failure Count: 0
Permanent HW addr: 14:18:77:58:1c:34
Slave queue ID: 0

Slave Interface: em1
MII Status: up
Speed: 1000 Mbps
Duplex: full
Link Failure Count: 0
Permanent HW addr: 14:18:77:58:1c:33
Slave queue ID: 0

模式详解

来自网络总结
1、mode=0(balance-rr)(平衡抡循环策略)
链路负载均衡，增加带宽，支持容错，一条链路故障会自动切换正常链路。交换机需要配置聚合口，思科叫port channel。
特点：传输数据包顺序是依次传输（即：第1个包走eth0，下一个包就走eth1….一直循环下去，直到最后一个传输完毕），此模式提供负载平衡和容错能力；但是我们知道如果一个连接
或者会话的数据包从不同的接口发出的话，中途再经过不同的链路，在客户端很有可能会出现数据包无序到达的问题，而无序到达的数据包需要重新要求被发送，这样网络的吞吐量就会下降

2、mode=1(active-backup)(主-备份策略)
这个是主备模式，只有一块网卡是active，另一块是备用的standby，所有流量都在active链路上处理，交换机配置的是捆绑的话将不能工作，因为交换机往两块网卡发包，有一半包是丢弃的。
特点：只有一个设备处于活动状态，当一个宕掉另一个马上由备份转换为主设备。mac地址是外部可见得，从外面看来，bond的MAC地址是唯一的，以避免switch(交换机)发生混乱。
此模式只提供了容错能力；由此可见此算法的优点是可以提供高网络连接的可用性，但是它的资源利用率较低，只有一个接口处于工作状态，在有 N 个网络接口的情况下，资源利用率为1/N

3、mode=2(balance-xor)(平衡策略)
表示XOR Hash负载分担，和交换机的聚合强制不协商方式配合。（需要xmit_hash_policy，需要交换机配置port channel）
特点：基于指定的传输HASH策略传输数据包。缺省的策略是：(源MAC地址 XOR 目标MAC地址) % slave数量。其他的传输策略可以通过xmit_hash_policy选项指定，此模式提供负载平衡和容错能力

4、mode=3(broadcast)(广播策略)
表示所有包从所有网络接口发出，这个不均衡，只有冗余机制，但过于浪费资源。此模式适用于金融行业，因为他们需要高可靠性的网络，不允许出现任何问题。需要和交换机的聚合强制不协商方式配合。
特点：在每个slave接口上传输每个数据包，此模式提供了容错能力

5、mode=4(802.3ad)(IEEE 802.3ad 动态链接聚合)
表示支持802.3ad协议，和交换机的聚合LACP方式配合（需要xmit_hash_policy）.标准要求所有设备在聚合操作时，要在同样的速率和双工模式，而且，和除了balance-rr模式外的其它bonding负载均衡模式一样，任何连接都不能使用多于一个接口的带宽。
特点：创建一个聚合组，它们共享同样的速率和双工设定。根据802.3ad规范将多个slave工作在同一个激活的聚合体下。
外出流量的slave选举是基于传输hash策略，该策略可以通过xmit_hash_policy选项从缺省的XOR策略改变到其他策略。需要注意的 是，并不是所有的传输策略都是802.3ad适应的，
尤其考虑到在802.3ad标准43.2.4章节提及的包乱序问题。不同的实现可能会有不同的适应 性。
必要条件：
条件1：ethtool支持获取每个slave的速率和双工设定
条件2：switch(交换机)支持IEEE 802.3ad Dynamic link aggregation
条件3：大多数switch(交换机)需要经过特定配置才能支持802.3ad模式

6、mode=5(balance-tlb)(适配器传输负载均衡)
是根据每个slave的负载情况选择slave进行发送，接收时使用当前轮到的slave。该模式要求slave接口的网络设备驱动有某种ethtool支持；而且ARP监控不可用。
特点：不需要任何特别的switch(交换机)支持的通道bonding。在每个slave上根据当前的负载（根据速度计算）分配外出流量。如果正在接受数据的slave出故障了，另一个slave接管失败的slave的MAC地址。
必要条件：
ethtool支持获取每个slave的速率

7、mode=6(balance-alb)(适配器适应性负载均衡)
在5的tlb基础上增加了rlb(接收负载均衡receive load balance).不需要任何switch(交换机)的支持。接收负载均衡是通过ARP协商实现的.
特点：该模式包含了balance-tlb模式，同时加上针对IPV4流量的接收负载均衡(receive load balance, rlb)，而且不需要任何switch(交换机)的支持。接收负载均衡是通过ARP协商实现的。bonding驱动截获本机发送的ARP应答，并把源硬件地址改写为bond中某个slave的唯一硬件地址，从而使得不同的对端使用不同的硬件地址进行通信。
来自服务器端的接收流量也会被均衡。当本机发送ARP请求时，bonding驱动把对端的IP信息从ARP包中复制并保存下来。当ARP应答从对端到达 时，bonding驱动把它的硬件地址提取出来，并发起一个ARP应答给bond中的某个slave。
使用ARP协商进行负载均衡的一个问题是：每次广播 ARP请求时都会使用bond的硬件地址，因此对端学习到这个硬件地址后，接收流量将会全部流向当前的slave。这个问题可以通过给所有的对端发送更新 （ARP应答）来解决，应答中包含他们独一无二的硬件地址，从而导致流量重新分布。
当新的slave加入到bond中时，或者某个未激活的slave重新 激活时，接收流量也要重新分布。接收的负载被顺序地分布（round robin）在bond中最高速的slave上
当某个链路被重新接上，或者一个新的slave加入到bond中，接收流量在所有当前激活的slave中全部重新分配，通过使用指定的MAC地址给每个 client发起ARP应答。下面介绍的updelay参数必须被设置为某个大于等于switch(交换机)转发延时的值，从而保证发往对端的ARP应答 不会被switch(交换机)阻截。
必要条件：
条件1：ethtool支持获取每个slave的速率；
条件2：底层驱动支持设置某个设备的硬件地址，从而使得总是有个slave(curr_active_slave)使用bond的硬件地址，同时保证每个bond 中的slave都有一个唯一的硬件地址。如果curr_active_slave出故障，它的硬件地址将会被新选出来的 curr_active_slave接管
其实mod=6与mod=0的区别：mod=6，先把eth0流量占满，再占eth1，….ethX；而mod=0的话，会发现2个口的流量都很稳定，基本一样的带宽。而mod=6，会发现第一个口流量很高，第2个口只占了小部分流量。

mode5和mode6不需要交换机端的设置，网卡能自动聚合。mode4需要支持802.3ad。mode0，mode2和mode3理论上需要静态聚合方式。

收录于
Linux

当前文章被收录于：

Linux
3 篇文章 0 人学习
订阅专栏 查看详情
标签
#linux
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。
bond简单入门 网络聚合bond 阅读详情

相关推荐

Linux多网卡7种bond模式

一、简介 网卡绑定mode共有七种(0~6) bond0、bond1、bond2、bond3、bond4、bond5、bond6。 常用的三种： mode=0：平衡负载模式，有自动备援，但需要”Switch”支援及设定。 mode=1：自动备援模式，其中一条线若断线，其他线路将会自动备援。 mode=6：平衡负载模式，有自动备援，不必”Switch”支援及设定。 二、七种模型详解与实验（这里只实验常用的三种模型） 2.1、mode=0(balance-rr)(平衡抡循环策略) 链路负载均衡，增加带宽

匠人精神，持之以恒！ 5304

Linux网卡bond的七种模式详解

像Samba、Nfs这种共享文件系统，网络的吞吐量非常大，就造成网卡的压力很大，网卡bond是通过把多个物理网卡绑定为一个逻辑网卡，实现本地网卡的冗余，带宽扩容和负载均衡，具体的功能取决于采用的哪种模式。 一、bond的七种模式介绍：1、mode=0(balance-rr)(平衡抡循环策略)链路负载均衡，增加带宽，支持容错，一条链路故障会自动切换正常链路。交换机需要...

weixin_34250434的博客 2166

linux 双网卡绑定

将多块网卡绑定同一IP地址对外提供服务，可以实现高可用或者负载均衡。直接给两块网卡设置同一IP地址是不可以的。通过bonding，虚拟一块网卡对外提供连接，物理网卡的被修改为相同的MAC地址一.Bonding工作模式1.Mode 0 (balance-rr)轮转（Round-robin）策略：从头到尾顺序的在每一个slave接口上面发送数据包。本模式提供负载均衡和容错的能力2.Mode...

wht12345621的博客 2157

网卡聚合（bond）模式简介及交换机侧配置

在服务器使用时，对多个网口/网卡进行聚合（bond）可以提高网卡的性能与安全，这篇文章对网卡的聚合模式进行了简单介绍。

Embedded_Sky77的博客 3万+

Origin作图——等高线图

最近做一个测试数据图，开始想通过用热图来展示，结果发现热图有很多的小方块，很难呈现出最好的效果，因为数据是有一层一层的递进效果，因此经过尝试后，发现等高线图是个好选择。 热图展示效果如下：其中有很多的小方块不适合，热图制图方法前面有记录。 下面展示等高线图制作方法。首先是导入数据，可以从excal导入，也可以直接复制进去。等方法。 选中要展示的数据，绘图----等高线图 选中箭头，确定。 双击图像，点击线，我们需要把线隐藏了. 双击图像，我们需要调色板，根据自己的选择，一般用调色板的颜色。

qq_42278015的博客 1万+

GEOS-Chem笔记——模式下载安装+驱动数据+运行流程

看过我博客的会发现我写了很多CESM的笔记，但是说实话，平时科研我其实更多时候是GEOS-Chemuser。之所以写了很多CESM笔记，其实是因为不会，就边学边写。然后GEOS-Chem已经用比较熟了，所以也没想过做笔记啥的。但是我发现越来越多朋友私信我各种CESM问题，我觉得我可能给大家营造了一种我是CESM达人的错觉。感觉自己有点跑偏了呢。公平起见，我觉得我有必要补充点GEOS-Chem笔记。 GEOS-Chem是研究大气化学的人常用的大气化学传输模式，在全世界范围的大气化学研究组中被广泛使用。不过.

砍柴姑娘Jourosy的博客 1万+

Linux实现双网卡绑定

实现Linux双网卡绑定高可用

m0_46673598的博客 7538

Android开发者必看：F2FS文件系统如何优化你的手机存储性能（附实测数据对比）

本文深入解析了F2FS文件系统如何针对闪存特性优化Android设备存储性能。通过对比ext4，F2FS采用追加写和冷热数据分离策略，将随机写转化为顺序写，显著提升写入速度并减少GC卡顿。实测数据显示，其在随机写入和SQLite事务等场景下性能提升显著，为开发者提供了优化应用IO性能的关键思路。

weixin_29248313的博客 325

linux下双网卡绑定,Linux下双网卡绑定bond0

一：原理：linux操作系统下双网卡绑定有七种模式。现在一般的企业都会使用双网卡接入，这样既能添加网络带宽，同时又能做相应的冗余，可以说是好处多多。而一般企业都会使用linux操作系统下自带的网卡绑定模式，当然现在网卡产商也会出一些针对windows操作系统网卡管理软件来做网卡绑定(windows操作系统没有网卡绑定功能 需要第三方支持)。进入正题，linux有七种网卡绑定模式：0. round ...

weixin_42315996的博客 5236

Delphi开发者必备：CEF4Delphi跨平台浏览器嵌入实战指南（含Lazarus适配）

本文详细介绍了Delphi开发者如何利用CEF4Delphi实现跨平台浏览器嵌入，包括环境配置、Lazarus适配、ARM架构优化及Firemonkey集成等实战技巧。通过Chromium引擎的强大功能，开发者可以轻松为传统桌面应用添加现代浏览器特性，提升多平台开发效率。

weixin_29233333的博客 226

UM2 3D 打印机 DIY 实践 （2） 电路篇

涉及到的东西非常多，实际上后面还会讲到。主要部件清单： 主板 mega2560 + Ramps1.4 + LCD12864 各一张 42 x38mm x3，xyz 轴各一台 42 x23mm x1，用在挤出机 泰坦远程挤出机 x1 TMC2225 驱动板 x4， 替代a4988、TMC2208，静音效果好，性价比高 s-250-12v 20A开关电源 x1。功率必须足够大，宁可选大一点的 大功率 MOS 管，25A x1 NTC .

afeiqiang的专栏 3601

linux查看双网卡绑定模式,Linux中双网卡绑定实现的各种模式

一、Linux中双网卡绑定实现的原理Linux双网卡绑定实现就是使用两块网卡虚拟成为一块网卡;linux设置bond网卡绑定---有些用。Linux双网卡绑定实现就是使用两块网卡虚拟成为一块网卡，这个聚合起来的设备看起来是一个单独的以太网接口设备，通俗点讲就是两块网卡具有相同的IP地址而并行链接聚合成一个逻辑链路工作。其实这项 技术在Sun和Cisco中早已存在，被称为Trunking和Ether...

weixin_42531710的博客 2404

手把手教你配置SAP PP供应区域(Supply Area)：实现线边仓精准发料与物料流优化

本文详细解析了SAP PP供应区域(Supply Area)的配置方法，帮助企业实现线边仓精准发料与物料流优化。通过三级优先级逻辑和四步配置法，系统可自动识别最优组件来源位置，显著提升生产订单处理效率和库存准确率。文章还提供了典型问题解决方案和性能优化技巧，适用于离散制造和重复制造场景。

weixin_29275257的博客 434

Linux系统双网卡绑定方法

【Linux6双网卡绑定】 1.1 先停止NetworkManager # service NetworkManager stop # chkconfig NetworkManager off 1.2 手工写绑定的配置ifcfg-bond0 vi /etc/sysconfig/network-scripts/ifcfg-bond0 DEVICE=bond0 TYPE=Ethernet ONBOOT=yes BOOTPROTO=none IPADDR=10.10.10.10 PREFIX=24 USERC

aa371327163的博客 1441

【26美赛A题】2026美赛数学建模（MCM/ICM）思路解析及代码分享

本文介绍了2026年美赛数学建模A题的解题思路与方法。A题通常属于连续型系统问题，重点在于构建可解释的机理模型，通过将现实机制转化为动态方程进行仿真预测。文章提出了通用建模路线，包括机理抽象、模型假设、动态建模、参数识别、系统仿真和情景预测六个阶段。专栏将提供从机理到方程的系统建模思路、参数标定方法、Python/Matlab实现代码以及高分论文模板。内容适合参加2026美赛A题、偏重物理/工程建模方向的参赛队伍，旨在提升机理建模能力。后续将更新完整题解和源码。

一键难忘的博客 2009

【YOLOv11】070、YOLOv11异常检测：正常数据训练下的异常目标识别

本文探讨了如何利用YOLOv11模型进行工业异常检测，重点介绍了仅使用正常样本训练模型的创新方法。文章首先通过产线误报案例引出异常检测的核心问题，阐述了YOLOv11作为特征提取器的改造思路，包括正常数据训练、特征空间构建和异常度量等关键步骤。实战部分提供了精简代码示例，强调数据增强控制、特征层选择和自编码器应用等技巧。作者还总结了容易出错的细节，如特征选择、阈值设定和计算效率优化等，并给出实用建议：从简单方法入手、重视可视化、确保数据质量、部署时设置复核机制等。最后指出该方法虽能减少对异常样本的依赖，但需

企鹅码农的专属播客，分享10多年的实战案例和经验解读，包含YOLO、RT-DETR、AI等各个工作领域。 235

Linux双网卡绑定bond详解

一、Linux双网卡绑定bond详解 1.1 bond 介绍 网卡bond是通过多张网卡绑定为一个逻辑网卡，实现本地网卡的冗余，带宽扩容和负载均衡，在生产场景中是一种常用的技术 通过以下命令确定内核是否支持 bonding cat /boot/config-3.10.0-957.el7.x86_64 | grep -i bonding 1.2 bond的七种模式 mode=0（balance-rr）轮询 表示负载分担round-robin，并且是轮询的方式比如第一个包走eth0，第二个包走e..

WuDan_1112的博客 7974

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")

Linux 7双网卡绑定

linux 7通过nmtui工具可以很方便的进行双网卡绑定，不需要像之前版本那样繁琐的修改配置文件，并且可用在安装操作系统时直接配置，本文主要记录使用nmtui工具配置双网卡绑定的过程。 使用root用户执行nmtui命令，启动nmtui工具管理界面，和之前版本的setup工具相似。 [root@SL010A-IVDB01 ~]# nmtui 选择Add按钮，回车。 选择添加类型为Bond，即双网卡绑定。 最上部设置双网卡绑定的名字，中部模式选择Active Backup，然后选择Ad

月梦工作室 2137

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

linux双网卡绑定默认,Linux双网卡绑定

《Linux双网卡绑定》由会员分享，可在线阅读，更多相关《Linux双网卡绑定(6页珍藏版)》请在人人文库网上搜索。1、Redhat 双网卡绑定1. 检查 kernel 看是否支持绑定rootNms # cat /boot/config-2.6.18-164.el5 | grep -i bondingCO-NFIG_BONDING=m 表示支持，否则需要编译内核使它支持 bonding2. 将 e...

weixin_35701696的博客 266

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

Linux双网卡绑定bond

在进行双网卡绑定时有两种方法，一是使用nmcli工具完成网卡绑定，二是使用传统方法完成网卡绑定。由于nmcli工具在机房中并不适用，并且使用过程并不好用，容易出现各种问题，所以采用传统方案完成操作。

MaryJane_的博客 925

linux的双网卡绑定

双网卡绑定 为了提供网络的高可用性，我们可能需要将多块网卡绑定一个虚拟网卡对外提供服务，这样即使其中一块物理网卡出现故障，也不会导致连接中断。linux下的双网卡绑定叫做bonding。下面所述为将eth0和eth1绑定成虚拟网卡bond0

冰激凌 1461

LINUX下双网卡绑定

Linux双网卡绑定实现就是使用两块网卡虚拟成为一块网卡;linux设置bond网卡绑定---有些用。 Linux双网卡绑定实现就是使用两块网卡虚拟成为一块网卡，这个聚合起来的设备看起来是一个单独的以太网接口设备，通俗点讲就是两块网卡具有相同的IP地址而并行链接聚合成一个逻辑链路工作。其实这项技术在Sun和Cisco中早已存在，被称为Trunking和Etherchannel技术，在Linu

BLACK的专栏 1016

linux 双网卡绑定,【Linux】Linux双网卡绑定实现

Linux双网卡绑定实现就是使用两块网卡虚拟成为一块网卡，这个聚合起来的设备看起来是一个单独的以太网接口设备，通俗点讲就是两块网卡具有相同的IP地址而并行链接聚合成一个逻辑链路工作。在正常情况下，网卡只接收目的硬件地址(MAC Address)是自身Mac的以太网帧，对于别的数据帧都滤掉，以减轻驱动程序的负担。但是网卡也支持另外一种被称为混杂promisc的模式，可以接收网络上所有的帧，比如说tc...

weixin_31509753的博客 630

Linux下双网卡绑定bond0，1,4

Linux下双网卡绑定bond0 一：原理： linux操作系统下双网卡绑定有七种模式。现在一般的企业都会使用双网卡接入，这样既能添加网络带宽，同时又能做相应的冗余，可以说是好处多多。而一般企业都会使用linux操作系统下自带的网卡绑定模式，当然现在网卡产商也会出一些针对windows操作系统网卡管理软件来做网卡绑定（windows操作系统没有网卡绑定功能 需要第三方支持）。进入正题，linu...

sophiaviayang的博客 1万+

linux 解除双网卡绑定,Linux双网卡绑定和解除绑定的实现

? 双网卡绑定实现就是使用两块网卡虚拟成为一块网卡，这个聚合起来的设备看起来是一个单独的以太网接口设备，通俗点讲就是两块网卡具有相同的IP地址而并行链接聚合成一个逻辑链路工作。根据交换机可支持的功能不同，最常见的是设定为主备方式的双网卡绑定。linux有七种网卡绑定模式：0. round robin,1.active-backup，2.load balancing (xor),3.fau...

weixin_30990605的博客 1285

linux 双网卡开通端口,linux双网卡绑定方法

linux 下双网卡绑定不需要安装程序，windows下需要找到对应厂商程序。RedHat Linux 5 双网卡绑定1.#cd /etc/sysconfig/network-scripts#cp ifcfg-eth0 ifcfg-bond0 /可以把ifcfg-eth0的内容复制过来#vi ifcfg-bond0 /修改DEVICE为bond0,把mac地址删掉DE...

weixin_34348050的博客 732
上一篇： oracle startup没有任何反应
下一篇： oracle的restricted mode(受限模式)
点赞 0
评论 0
书签 书签 1
DBDoctor
DBDoctor
博客等级 码龄11年 4粉丝 34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