成熟的产品环境代码:bounded capacity(受限容量)

本文探讨了在软件设计中采用受限容量原则的重要性,特别是针对容器类和线程管理方面。通过使用如Java的BlockingQueue和Go语言的Channel等机制,可以有效地避免资源过度消耗,确保系统的稳定性和可扩展性。

Java以前的容器类没有考虑这一点,导致用户可以不停地add元素,这导致内存占用大幅升高,同时也会让服务器无法正常执行,DoS。又如Thread对象,没有考虑周全的话,会很容器new一个新线程去执行,这很容易导致大量线程同时调度执行(由于某种原因它们都没有快速执行完任务干净地退出)

后来的并发类库好了一点,可以有blocking queue,当queue的容量达到预先配置的上限后,添加元素的线程就如进入阻塞状态(或者通过try类的方法返回错误),线程呢,用一个ThreadPoolExecutor线程池来调度task的执行。这样做的好处是:比如说当一个硬件机器的CPU和内存的容量上限通过压力测试知道了之后,可以设置其正常的运行容量为最大上限的80%(high water mark),如果超过了容量限制,可以让后来的task快速失败,同时报个警,这样运营ops就知道需要扩展容量了。

再如Go语言里的Channel,默认是阻塞式的,可用于消息的sender与receiver之间进行同步,也可以指定最大消息个数,从而变成buffering的channel。如果超过缓冲消息数的上限,sender就会收到一个error。

总的来说,就是一个bounded capacity(受限容量)的原则需要体会。不过,这里还有一个小小的问题:这些预先设置的容量上限通常是静态的,则可能无法适应真实业务的计算及数据量需求,最好是自定义动态调整的,但这个具体怎么实施就有点技术含量了:譬如可能会与《控制论》/《排队论》之类的理论有所关联?

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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