JVM原理、监控及瓶颈定位

性能测试实战指南:从核心原理到瓶颈定位的完整流程 性能测试是软件工程中保障系统稳定性和用户体验的关键环节,其核心在于模拟真实负载以评估系统能力。从原理层面看,它涉及响应时间、吞吐量、并发用户数、错误率、资源利用率和可扩展性六大核心指标的关联分析。理解这些指标的内在联系,能帮助工程师洞察系统瓶颈,如慢SQL或内存泄漏。在技术价值上,性能测试不仅验证系统是否满足需求,更为容量规划和架构优化提供量化依据。应用场景广泛,涵盖负载测试、压力测试和稳定性测试等,需根据目标选择合适策略。本文聚焦性能测试实战,深入探讨从需求分析、环境搭建、脚本开发到结果分析的完整流程,并 阅读详情

一、jvm监控
监控命令 :jstat
列表模式 :jstat -gc pid 2000
百分比模式:jstat -gcutil pid 2000

总结:
认识:
A. 共10列,前4列是堆,第5列是栈,第6,7列分别是新生代gc次数及gc时间,第8,9列是老年代gc次数及gc时间,第10列是新生代及老年代gc的总时间

B. 新生代老年代每次gc时间=最新一次gc时间-上一次gc的时间

百分比模式:

列表模式:

C:内存量 U:使用量(单位:kb)

由监控到定位(C:内存量 U:使用量(单位:kb))
1.栈(P,第5列数据)
总结1:此列数据无限增大,说明并发量大,创建的对象引用多,当栈内空间使用率达到100%时,栈内存就无法存放对象引用,同时栈会出现栈内存溢出(增大栈内存)
总结2:栈内存能否进行gc:不能,一旦进行gc,对象引用就会被强制结束,即程序相应结束
总结3:第5列数据若无限增大则只能临时增加栈内存,根本解决还是需要解决代码瓶颈问题
2.堆(S0 S1 E O 前4列数据)
A.新生代(S0,S1,E前3列,YGC,YGCT 第6,7列)
总结1:eden列,S0,S1列达到内存上限时,进行YGC,这3列要腾出内存空间,即百分比要有所下降。反之则不正常
B.老年代(O,第4列,FGC,FGCT,第8,9列)

面试题:如何快速检测到jvm是否有瓶颈
1)手动减小jvm堆栈内存空间的配置,如-Xms=50M -Xmx=50M -Xmn=20M -XX:PermSize=20M –XX:MaxPermSize=20M
2)Jmeter进行接口压测
3)Jstat进行监控,依据总结进行监测是否有瓶颈。

二、监控有瓶颈,如何定位瓶颈
现象:
正常现象:各带百分比随YGC,FGC下降,整体呈锯齿曲线状
反常现象:各带百分比随YGC,FGC不下降,甚至还会上升
瓶颈定位思路:根据分析找到heap中持续引用的不被释放的对象,然后再找到问题的代码
瓶颈定位步骤:
Step1 对heap进行dump(压出瓶颈时再操作)(-F 强制)

jmap –dump:file=/root/pid.hprof,formate=b pid

step2 mat内存分析工具分析step1中得到的*.hprof文件
histogram→栈最大占用内存对象→右键查看对象进出调用关系→找到相关接口→找到对应代码运行具体问题具体分析

Heap快照分析:点击File-OpenFile-pid.hprof

加载完成-自动加载分析报告

查看柱状图,查看Shallow heap↓找到查看对多被引用的对象

查看相应的进出对象


找到对应自己压测的接口,正常情况下会被gc掉

对应找到相应代码,分析代码瓶颈,找到原因

help:
Shallow Heap Size
对象自身所占用的内存大小不包含其所引用的对象所占的内存大小
Retained Heap Size
前对象大小+当前对象可直接或间接引用到的对象的大小纵总和
如:A->B->C,C就是直接引用

原文:https://blog.youkuaiyun.com/zhangyi_1027/article/details/80903936
 

JMeter性能测试进阶:从工具使用到瓶颈定位的工程实践 性能测试是软件质量保障的关键环节,其核心在于通过模拟真实负载,评估系统在高并发下的稳定性和扩展性。其原理是通过工具模拟海量用户请求,收集系统响应时间、吞吐量、资源利用率等关键指标。这项技术的价值在于,它不仅能发现系统瓶颈,更能为容量规划、架构优化提供数据支撑,是保障用户体验和业务连续性的重要手段。在Web服务、微服务架构、数据库及中间件等广泛的应用场景中,性能测试都不可或缺。本文聚焦于业界广泛使用的开源工具JMeter,深入探讨如何将其与InfluxDB、Grafana等监控工具结合,构建从压测执行到数据可 阅读详情

相关推荐

ServerAgent 2.2.3:性能测试中服务器监控的轻量级解决方案

在软件性能测试领域,服务器监控是定位系统瓶颈、保障测试有效性的基石。其核心原理在于通过代理程序实时采集操作系统层面的关键性能指标,如CPU、内存、磁盘IO和网络流量。这项技术的价值在于,它将服务器从“黑盒”变为“白盒”,使测试人员能够清晰地将应用层的性能表现(如响应时间、TPS)与底层的资源消耗关联起来,从而精准定位性能瓶颈。在分布式压测、高并发场景及系统稳定性测试中,这种关联分析至关重要。本文以广泛使用的轻量级监控代理ServerAgent 2.2.3为例,深入解析其如何通过低耦合的C/S架构,以极低开销

weixin_27918373的博客 287

JVM监控及瓶颈定位

一、jvm监控 监控命令 :jstat列表模式 :jstat -gc pid 2000百分比模式:jstat -gcutil pid 2000总结:认识:A. 共10列,前4列是堆,第5列是栈,第6,7列分别是新生代gc次数及gc时间,第8,9列是老年代gc次数及gc时间,第10列是新生代及老年代gc的总时间B. 新生代老年代每次gc时间=最新一次gc时间-上一次gc的时间百分比模式:列表模式:C...

zhangyi_1027的博客 480

Eclipse 代码监控:Java 运行时性能分析的工具

您是否遇到过这样的情况?自己写的 Java 程序上线后突然变慢,用户抱怨“点个按钮要等 5 秒”;或者服务器内存占用越来越高,最后报出 OutOfMemoryError。这时候,您需要的不是“蒙眼调试”,而是一套能看清程序运行时状态的工具——这就是“代码监控与性能分析”的价值。本文聚焦Eclipse IDE 环境。

AI开发架构师 1045

jvm gc fullgc定位分析

通过抽样拉取堆栈. 通过日志分析,我们能发现在ThreadProfileCollector类中LonItem对象,对应Retained Heap Size非常大,Retained Heap Size的意思就是当前对象被GC后,从Heap上总共能释放掉的内存。如下图: ...

fei33423的专栏 785

JavaMelody系统性能监控工具实战解析

JavaMelody 是一个轻量级、开源的 Java 应用性能监控(APM)工具,专为 Web 应用设计,广泛应用于 Spring Boot、Java EE 等项目中。它通过无侵入的方式集成到应用中,能够实时监控 HTTP 请求、SQL 执行、JVM 内存、线程状态等关键性能指标,帮助开发和运维人员快速定位性能瓶颈和系统异常。其核心优势在于:低性能损耗、开箱即用、支持主流框架(如 Spring、Hibernate、JSF 等),并且提供直观的 Web 界面展示监控数据。

weixin_42433737的博客 826

TProfiler性能定位工具

TProfiler,代码性能定位工具,阿里TProfiler性能工具

Java-JVM-监控诊断/性能调优工具

Java-JVM-jstack 找到进程号 $ ps aux | grep name $ ps aux | grep slave root 23556 0.0 0.0 103236 868 pts/0 S+ 20:59 0:00 grep slave root 29793 6.9 18.0 6721828 1430008 ? Sl 2018...

迷路剑客个人博客 4158

zabbix监控JAVA 进程 JVM数据统计分析告警监控

zabbix自动发现JAVA进程,并进行自动添加监控JAVA 进程的JVM数据,统计分析告警监控。 支持多种中间件,tomcat、weblogic、微服务方式部署JAVA应用监控。 自带发现脚本和监控脚本,以及zabbix导入模板。

还不会JVM监控告警?一篇文章教会你!

SpringBoot + Prometheus + Pushgateway + Grafana 实现JVM监控告警

Eayon阳阳阳仔 1305

JVM监控管理及故障诊断工具(常用命令)

JVM监控管理及故障诊断工具(常用命令),文中的命令常用于监视JVM虚拟机性能及资源消耗情况。

Ubuntu断网环境下的系统更新:apt-offline保姆级教程(附常见问题排查)

本文详细介绍了在Ubuntu断网环境下使用apt-offline进行系统更新的完整教程,包括环境准备、签名文件生成、数据传输方案对比及常见问题排查。特别适用于企业级开发环境或安全敏感场景,帮助运维人员高效完成离线系统更新,确保系统安全与稳定。

weixin_29214691的博客 362

JVM调优实战 Day 6:JVM性能监控工具实战

本篇文章围绕JVM性能监控工具进行了系统性讲解,从概念解析、技术原理、常见问题、诊断方法、调优策略到实战案例,全面覆盖了JVM性能监控的核心内容。如何使用jstatjmapjhat等命令行工具进行监控与分析如何通过VisualVM和JMC进行图形化性能分析在实际项目中如何结合监控工具定位内存泄漏、GC问题等性能瓶颈通过真实案例了解性能问题的诊断与解决流程| 技术点 | 说明 || jstat | 查看GC统计信息,判断GC频率和效率 |

在未来等你的专栏 1418

告别环境配置焦虑:在Win10的Ubuntu子系统里搞定CSAPP实验环境(附32/64位库编译指南)

本文详细介绍了如何在Win10的Ubuntu子系统中搭建CSAPP实验环境,包括WSL 2的安装与配置、32/64位库的编译指南以及高效开发工具链的设置。通过优化WSL性能和使用实用技巧,开发者可以轻松应对CSAPP实验中的环境配置问题,提升学习效率。

weixin_30443813的博客 297

JMX Exporter 终极监控指南:从原理到实战部署

在现代Java应用监控体系中,JMX Exporter扮演着至关重要的角色。这个强大的工具能够将Java Management Extensions (JMX) 指标转换为Prometheus可识别的格式,为你提供全方位的应用性能洞察。无论你是运维工程师还是开发人员,掌握JMX Exporter都将极大提升你的监控能力。 ## 技术深度解析:JMX监控的底层原理 JMX Exporter的核心

gitblog_00518的博客 998

树莓派3-改装wifi外置天线

声明:本文只是技术性探讨,改装引起的产品损坏等后果,由用户自负! 改装主要有两种方法 方法一:直接替换原来的天线 1、移除原有的小陶瓷天线,就在Made in PRC(或UK)那边的那个 清理一下阻焊剂方便天线接地(图中PRC左侧) 2、焊接天线 天线的屏蔽层焊接到清理完阻焊剂的地方,中间的信号线焊接到PRC右侧焊盘。 3、最终的样子

huayucong的博客 2万+

DeepSeek + 微信:手把手教你把 AI 接入个人微信,秒变“高情商”聊天助手(防封指南)

将 DeepSeek 接入微信,本质上是给你的微信装了一个**“最强外挂”**。它不仅能帮你回消息,还能帮你写周报、查资料、甚至陪聊解闷。工具是服务于人的,不要让 AI 完全替代了你的真情实感。毕竟,真正的高情商,是屏幕背后那个在乎对方的你。先申请一个小号,按照步骤跑通流程。然后试着调整 Prompt,训练一个属于你自己的“嘴替”吧!

BUG猿的博客 967

霸榜掘金首页第一,阿里内部Java性能调优笔记终于开源了,真香!

本文是掘金点赞超高的一份爆火文稿,近日整理资料时被倒腾出来。从内容上看,技术都还没有太过时,于是稍作调整后分享给头条的同学。不过,限于小课堂的水平,文稿偶尔会存在错误,欢迎评论区批评指正。 由于篇幅限制,可能无法全部展示出来,你可以直接划拉到本文底部,有PDF版本的获取提示,可以直接获取PDF版本阅读、收藏。 jvm可以做到近6倍提速,优化前后到底发生了什么?下面跟着小课堂一起来看看!!! 一、虚拟机的自动内存管理 内容提要 了解JVM内存模型 能分析简单的内存异常 能通过相关

Javaforeveryear的博客 160

HFSS实战项目——Ku波段微带发夹线滤波器

保姆级教程!!!看完必会,非常详细!!!Ku频段5阶切比雪夫微带线带通滤波器的仿真实例。首先介绍了滤波器的技术指标和基本理论知识,重点介绍了滤波器的耦合系数和外部品质因数。建立了谐振器的设计模型、耦合系数与谐振器间距的设计模型、外部品质因数与抽头位置的设计模型和滤波器整体电路的模型。详细介绍了谐振器设计模型的建立步骤。

2401_87464239的博客 3045

如何正确启用JFR CPU分析?3步实现无侵入性能监控

掌握JFR CPU分析的配置方法,3步实现无侵入式性能监控,适用于Java应用线上调优与瓶颈定位。通过JVM内置工具精准采集CPU消耗数据,无需修改代码,高效稳定。值得收藏

DeepNest的博客 869

【实战教程】OpenClaw接入MySQL数据库实战指南

本文介绍了在虚拟机Ubuntu中访问宿主机Win11中MySQL数据库的配置方法,重点包括创建远程用户、权限配置和安全设置。首先在MySQL中创建具有只读权限的用户并刷新权限,然后调整服务器设置允许远程连接。文章还提供了某金融机构财富管理系统的数据库设计方案,包含理财产品表、客户表和份额表的核心结构,其中金额字段使用DECIMAL类型确保精度,并设置唯一键约束。文末强调测试环境配置完成后应恢复安全更新模式以保障生产环境安全。

海兰 8700

从菜鸟到大神:VSCode助力HTML开发全攻略

本文全面介绍 VSCode 在 HTML 开发中的高效应用。先引导读者完成 VSCode 的安装与个性化设置,助其快速适应开发环境;接着推荐 Live Server、Prettier 等实用插件,实现实时预览、代码格式化等功能,提升开发效率。通过详细的开发实战步骤,从新建文件到添加样式,带领读者掌握 HTML 基础结构与常用标签使用。还分享代码片段管理、多人协作等进阶技巧,解决常见开发问题。旨在帮助开发者利用 VSCode,轻松高效完成 HTML 开发,打造优质网页。

邓邓子的博客 3369

Tomcat专题

一、目录结构: 1、webAPP:代码工程部署目录(war包是对外提供服务,jar一般是内部使用的) 2、bin *.bat(Windows) *.sh(Linux) catalina.sh(jvm) 3、logs日志文件 运行日志:catalina.out;用户访问日志:localhost_access_log.201x-12-10.txt 4、lib:tomcat使用的jar 5、...

村东头老杨的博客 190

Nvidia Orin Driveos Camera 介绍及调试详解

自动驾驶-nvidia orin driveos Camera 驱动详解及调试

u011803281的博客 2994

性能测试|Tomcat服务器监控与调优

本文介绍了Tomcat服务器的性能监控与调优方法。首先概述了Tomcat作为流行Web应用服务器的特点,然后详细阐述了监控步骤,包括使用JConsole等工具进行性能监控、资源监控、错误日志分析及自定义监控。在报告分析部分,重点讲解了如何分析性能指标、资源使用情况和错误日志,并根据分析结果提出优化建议。通过定期监控和分析,可以确保Tomcat服务器稳定运行,提升系统性能,为业务连续性提供保障。

m0_60889254的博客 250

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

JVM深度解析与实战指南:从源码到生产环境优化

本文深入解析JVM核心原理与实战优化,从架构设计到性能调优。首先剖析JVM三大子系统(类加载、运行时数据区、执行引擎),通过OpenJDK源码展示HotSpot启动过程,并结合线上案例说明优化方法。重点讲解类加载机制,包括双亲委派模型及其打破方式,通过自定义类加载器示例和ClassLoader源码分析,揭示类加载的核心流程。文章不仅涵盖JVM面试常见考点(如双亲委派的意义),还提供实际故障排查经验,帮助开发者深入理解JVM内部机制并掌握生产环境调优技巧。

fuliyingIT的博客 282

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")

上一篇: linux系统安装jdk8 64位
下一篇: APP前端易用性和UI测试
一只奋力起飞的小菜鸟
博客等级 码龄9年 10粉丝 6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
 
 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