Grafana3.1.0的使用

grafana使用方法 1、点击仪表盘2、新建仪表盘3、选择数据源4、选择查询的条件5、美化。 阅读详情

Grafana是一个开源的度量分析与可视化套件。经常被用作基础设施的时间序列数据和应用程序分析的可视化,它在其他领域也被广泛的使用包括工业传感器、家庭自动化、天气和过程控制等。

Grafana支持许多不同的数据源。每个数据源都有一个特定的查询编辑器,该编辑器定制的特性和功能是公开的特定数据来源。

 官方支持以下数据源:Graphite,InfluxDB,OpenTSDB,Prometheus,Elasticsearch,CloudWatch和KairosDB。

每个数据源的查询语言和能力都是不同的。你可以把来自多个数据源的数据组合到一个仪表板,但每一个面板被绑定到一个特定的数据源,它就属于一个特定的组织。下面我们来一起感受一下grafana。

1、登录grafana 界面

    http://192.168.21.250:3000 默认用户和密码均为admin

 

2、配置Grafana启用zabbix插件

    登录到grafana,移动鼠标到grafana左上角,单击选择齿轮图标的向下按钮,然后选择“Zabbix”选项卡,选择“Pluugin Config”,打开Zabbix 插件配置对话框,选择启用zabbix插件。

    具体操作步骤如下图所示:

 

 

 

3、配置Zabbix数据源

    添加新数据源,单击选择齿轮图标的向下按钮,打开 “Data Sources”

,单击“Add new”。

 

注意红线标注的地方

    Name自定义

    Type选择Zabbix

    Http settings URL填入http://zabbix服务器ip/zabbix/api_jsonrpc.php

    Zabbix details用户名和密码需要在Zabbix web页面中设置,本文中用户名:admin,密码:zabbix。如不想新建的话,可以使用zabbix的初始用户。

    配置过程如下图所示:

 

    设置完成点击Save & Test按钮,弹出下图所示的Success提示对话框:

 

本文档的Zabbix版本为Zabbix-3.0.5,详细配置教程请参考官方文档:

http://docs.grafana-zabbix.org/installation/configuration

常见错误解决请参考:http://docs.grafana.org/installation/troubleshooting/

4、开始使用Grafana-Zabbix

添加新的仪表板

    让我们开始创建一个新的仪表板。添加新的仪表板过程如下所示:

 

 

在新建的仪表板中添加图面板

 

    图面板在Grafana中只是命名图。它提供了一组丰富的图形选项。如下图所示:

 


    单击标题面板可打开一个菜单框。单击edit 选项面板将会打开额外的配置选项。

如下图所示:

 

Graph里面的选项有:

    General(常规选择)、Metrics(指标)、Axes(坐标轴)、Legend(图例)、 Display(显示样式)、Time range(时间范围)

Genera(常规选择):添加图形标题,图形宽度高度等

    Title:仪表板上的面板标题

    Span:列在面板中的宽度

    Height:面板内容高度(以像素为单位)

 

钻取/详细信息链接(Drilldown / detail link)

    钻取部分允许添加动态面板的链接,可以链接到其他仪表板或URL。

    每个链接都有一个标题,一个类型和参数。链接可以是 dashboard或 absolute链接。如果它是一个仪表板链接, dashboard值必须是一个仪表板的名字。如果这是一个 absolute链接,是URL链接的URL。

    params允许添加额外的URL参数的链接。格式是 name=value与多个参数分开,当链接到另一个仪表板使用模板变量,你可以使用 var-myvar=value填充模板变量的期望值链接。

 

Metrics(指标)

    定义了来源数据的呈现,每个数据源都提供不同的选择。面板的来源数据通过group,host,application,item从zabbix中获得。

 

Axes(坐标轴)

    用于坐标轴和网格的显示方式,包括单位,比例,标签等。

Left Y和 Right Y可以定制使用,因其中的可选参数太多,怕描述不准确。所以请在使用的时候参考官方文档

 

Legend(图例):图例展示

    图例的参数:

    Total:返回所有度量查询值的总和

    Current:返回度量查询的最后一个值

    Min:返回最小的度量查询值

    Max:返回最大的度量查询值

    Avg:返回所有度量查询的平均值

    Decimals:控制Legend值的多少,以小数显示悬浮工具提示(图)

    Grafana 中Legend值的计算取决于你使用的度量查询方式和什么样类型的聚合或合并点来实现的,所有上述所说的值在同一时间可能都是不正确的。例如,如果你是每秒请求一次,这可能是使用平均值来作为一个整合,然而这个Legend值不会代表请求的总数。这只是Grafana收到的所有数据点的总和。

 

Display(显示样式)

    显示样式的控件属性图如下:

 

图表模式(Draw Modes)

Bar:一个条形图显示值

Lines:显示线图值

 Points:显示点值

选择模式(Mode Options)

Fill:系列的颜色填充,0是没有。

Line Width:线的宽度。

 Staircase:楼梯状显示。

    如果有多个选择项,它们可以作为一个群体显示。

叠加和空值(Stacking & Null value)

Stack:每个系列是叠在另一个之上

Null value:空值

    如果你启用了堆栈可以选择应该显示鼠标悬停功能。

Time range(时间范围)

 

顶级头介绍

 

上图显示了仪表板顶部的标题。

    1.侧菜单切换:切换菜单,让你专注于仪表板中给出的数据。侧菜单提供了访问特性,仪表板,用户,组织和数据源等。

    2.仪表板下拉菜单:下拉菜单显示你当前浏览的仪表板,并允许轻松地切换到另一个新的仪表板。在这里你还可以创建一个新的仪表板,导入现有的仪表板和管理仪表板播放列表。

    3.星仪表板:星(或unstar)当前的仪表板。默认情况下星仪表板将出现在自己建立的仪表板里,为你提供快捷的查看途径。

    4.仪表板分享:通过创建一个链接或创建一个静态快照分享当前仪表板。

    5.保存仪表板:以当前仪表板的名字保存。

    6.设置:管理仪表板的设置和特性,比如模板和注释。

5、创建流量监控图形

 

 

 

 

 


6、仪表盘模板功能

    单纯的手动去添加一个个监控图,只能显示一个主机的所有监控图形,若要查看不同主机的所有监控图形,就要通过变量的方式去实现。我们要设置的变量包括group,host,application和iteam。

模板

    仪表盘模板可以让你创建一个交互式和动态性的仪表板,它是Grafana里面最强大的、最常用的功能之一。创建的仪表盘模板参数,可以在任何一个仪表盘中使用。

创建变量

    点击顶部导航栏上的齿轮图标,选择模板。


   单击新建按钮,你会看到模板变量编辑器。它包含以下部分:


变量(Variable)

命名:变量的名称。

标签:可见标签变量。例如,主机组,而不是HOST_GROUP。

类型:查询类型选择。

    图中有五种变量类型: query,custom,interval,Data source和Contsta。它们都可以用来创建动态变量,不同之处在于获得的数据值不一样。

查询选项(Query Options)

数据源:用于查询变量值的数据源。

刷新:更新此变量的值。

查询:查询字符串。 

正则表达式:如果你需要筛选值或提取价值的一部分,那就使用正则表达式。

选择选项(Selection Options)

多值:启用,如果你想在同一时间选择多个值。

数值组/标签(实验功能)(Value groups/tags (Experimental feature))

7、查询格式

   zabbix模板变量数据源查询是一个包含了4个部分的以.号隔开的字符串{host group}.{host}.{application}.{item name}。例如, Zabbix servers.Zabbix server.CPU.*。

   例子:

   * 返回所有可用主机组

   *.* 返回主机组里所有可用主机

   Servers.*返回服务器组里的所有主机

   Linux servers.*.* 返回Linux服务器组中的所有应用程序

   Linux servers.*.*.* 返回Linux服务器组中所有主机的监控项。

   你可以使用另一个变量作为查询的一部分。例如,你有一个变量组,它返回的是主机组的列表,并仅希望将其用于在选定的组在查询主机。下面是这种情况的查询条件:

   $group.*

8、变量的使用

    当你创建一个变量,你可以使用它作为一个数据源查询的一部分。Grafana还支持变量在不同的地方被使用,比如面板和行标题、文本面板的内容等。

 

    注意,你需要在变量的名字之前添加$标志。

创建模板

 

 

   添加变量group,host,Application,iteam


    添加完四个变量,如下图所示:


    group匹配的显示结果


   变量添加完成后,就可以设置图形属性了。将之前所有添加的图形用下面的group,host,application,iteam变量来表示。


    这样我们就可以通过切换,来查看不同主机的所有监控内容 


    下图是通过仪表盘功能在一个页面中用多个graph显示多台机器的网卡流量。

 

    下图是在仪表盘中使用模板功能在一个页面中用一个graph显示单台机器或所有机器的单个监控项或所有监控项。


 

 

    这个仪表盘模板是在一个页面中用多个graph显示单台机器的多个监控项

 

Day05-Grafana的基本应用与配置 使用其他服务获取到的数据通过Grafana展示。通过zbx api接口获取zabbix监控数据进行展示。卖家秀买家秀-敬请期待zabbix.stats键值的结果之一需要通过自定义监控创建1个监控项运行zabbix.stats键值创建相关项(监控项)对上面监控项结果进行过滤(sed反向引用)定义监控项(主要项)创建监控项(相关项)配置相关项的过滤条件.正则部分"requiredperformance":([0-9.]+) 我们想要的内容 \1。 阅读详情

相关推荐

Grafana3.1.0安装步骤

下载grafana以及安装    Zabbix plugin for Grafana官网给出了rpm和源码包的安装方法 sudo yum install https://grafanarel.s3.amazonaws.com/builds/grafana-3.1.0-1468321182.x86_64.rpm # ... configure your options in /etc

Tony_bo的博客 4696

【grafana】使用教程

Grafana是一款开源的数据可视化工具,主要用于大规模指标数据的可视化展现。语言与协议:Grafana采用Go语言编写,基于商业友好的Apache License 2.0开源协议。跨平台性:Grafana是一个跨平台的开源的分析和可视化工具,可以通过将采集的数据查询然后可视化的展示,并及时通知。数据源与集成:无论数据在哪里,或者它所处的数据库是什么类型,都可以将它与Grafana精美地结合在一起。它还有丰富的套件供选择,目前,它已拥有54个数据源,50个面板,17个应用程序和1732个仪表盘。

weixin_44462773的博客 4万+

Debian 12上保姆级安装InfluxDB 3 Core(3.1.0版),从写入到Grafana可视化一条龙

本文详细介绍了在Debian 12系统上安装和优化InfluxDB 3 Core(3.1.0版)的全过程,包括环境准备、性能调优、数据库操作及Grafana可视化集成。特别针对高配置服务器提供了参数调优建议,帮助用户实现高效的时序数据管理和可视化分析。

weixin_29300241的博客 396

grafana配置保姆级详解

1.grafana介绍&登录。

xiewenxia7的博客 1万+

解决grafana模板分区展示数值和使用率不准的问题

解决grafana模板分区展示数值和使用率不准的问题

空山新雨后,天气晚来秋 4242

【七】Hadoop3.3.4基于ubuntu24的分布式集群安装

本次安装实验基于苹果m2芯片的mac系统,使用vmware fusion搭建三台ubuntu24分布式虚拟机,确保在三台机器上安装了Java jdk8,并配置了免密码登录,网络互通,防火墙关闭,授时服务器已经同步。访问apche官网源,下载3.3.4版本,我们用二进制通用版即可,因为hadoop运行在java环境,跨平台性使得无需编译arm架构版本。至此,Hadoop的安装完成,包括hdfs文件存储系统,mapreduce计算框架,yarn资源管理系统均能正常、稳定使用。

qq_31412425的博客 2161

zabbix3.4+grafana5.0.1数据可视化

我已经安装完成zabbix3.4下面我们来安装grafana 第一步安装grafana5.0.1 官网下载grafana wget https://s3-us-west-2.amazonaws.com/grafana-releases/release/grafana-5.0.1-1.x86_64.rpm 安装 yum -y install grafana-5.0.1-1.x86...

xiaoying5191的博客 1万+

YOLOv8中Anchor-Based、Anchor-Free及样本分配策略

本文主要介绍yolov8中的anchor机制与样本分配策略的静态策略和动态策略

qq_52889317的博客 2211

grafana 4.0.2 + openfalcon query 1.4.3

grafana 4.0.2 加上官方app自带的openfalcon插件, 可以直接使用openfalcon query 版本1.4.3进行画图。

vbaspdelphi的专栏 3400

SwinIR实战:从环境搭建到模型训练的全流程解析

本文提供了SwinIR超分辨率模型从零开始的全流程实战指南。详细解析了基于PyTorch和Anaconda的环境搭建、数据准备与配置文件修改、训练启动与常见错误排查(如张量尺寸不匹配),以及模型评估方法,帮助读者高效部署并训练SwinIR模型。

weixin_28224217的博客 319

EB Tresos激活失败?3种实用解决方案帮你搞定(含离线激活步骤)

本文针对EB Tresos软件激活失败问题,提供了三种实用的解决方案。详细分析了激活失败的常见根源,并系统阐述了在线环境下的排查步骤、无网环境下的离线激活全流程,以及高级许可证环境修复方法,帮助汽车电子工程师快速恢复开发环境。

milk8的博客 609

cAdvisor0.24.1+InfluxDB0.13+Grafana4.0.2搭建Docker1.12.3 Swarm集群性能监控平台

目录目录 1基本概念 1什么是cAdvisor 2什么是InfluxDB 3什么是Grafana 2开始安装Docker性能监控组件 1创建一个overlay网络 2安装InfluxDB 013 3安装cAdvisor 0241 4安装Grafana 5登录到Grfana并配置数据源 6配置Grafana的Docker监控 61Filesystem storage limit and usage 6

迦壹的博墅 1363

纯JS实现SM3加密算法(兼容IE浏览器)

纯JS实现SM3加密,IE、谷歌、火狐等浏览器可以直接使用。

qianpou的博客 7358

LunaTV 接入 IPTV:如何用 3 步把 M3U 订阅变成高清频道列表(完整教程)

收藏夹里堆了一堆 IPTV 订阅链接,却总缺一个能稳定播放、还能看节目单的播放器。LunaTV 的直播模块正好补上这块:把一条 M3U 订阅地址解析成可按分组浏览的频道列表,配上 XMLTV 节目单,直接在线看,还能换源、收藏。 下面这条路线你照着走,就能从空壳部署一路走到真正开播,不用翻源码。 [![LunaTV 首页与频道浏览界面](https://raw.gitcode.com/GitH

gitblog_00204的博客 148

【GD32篇】驱动AD7616完成数据采集

GD32F10X驱动AD7616完成数据采集

we_long的博客 1万+

QGis软件 —— 1、Windows10下载安装QGis及插件

QGis —— 1、Windows10下载安装QGis及插件

5163

霞鹜文楷:免费商用的开源中文字体,2 万余字一个家族,3 分钟装好

霞鹜文楷是一款基于 FONTWORKS 开源日文字体 Klee One 衍生的开源楷体中文字体,按 OFL 1.1 授权免费商用,字库合计 2 万余字、覆盖《通用规范汉字表》8105 字,家族分标准版与等宽版两条线,各含 Light / Regular / Medium 三个字重。 ## 3 分钟装好 🚀 下载 TTF 直接装进系统就是最短路径,完全不需要构建。 6 个字体文件都在 [fo

gitblog_01176的博客 791

Android Camera MTK框架

Camera简介: 虽然前文说道Android在5.0之后就推出了Camera2 API,但是各个厂家的基本未适配,导致目前市场上大部分机型使用的仍然是Camera1 API。PS:Android 9.0 Google强制要求各个平台厂商(高通/MTK/华为等)支持Camera2,不再兼容Camera1。 ...

weixin_49303682的博客 5512

grafana3.1.0安装配置

Grafana 是 Graphite 和 InfluxDB 仪表盘和图形编辑器。Grafana 是开源的,功能齐全的度量仪表盘和图形编辑器,支持 Graphite,InfluxDB 和 OpenTSDB。 Grafana 主要特性:灵活丰富的图形化选项;可以混合多种风格;支持白天和夜间模式;多个数据源;Graphite 和 InfluxDB 查询编辑器...

weixin_34258838的博客 117

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

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

ZABBIX 4.0 LTS+Grafana5.1.3部署

1、安装zabbix 存储库 # rpm -Uvh https://repo.zabbix.com/zabbix/4.0/rhel/7/x86_64/zabbix-release-4.0-1.el7.noarch.rpm # yum clean all 2、安装zabbix服务器,前端,代理 # yum -y install zabbix-server-mysql...

woaini1314520_xhh的博客 883

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Zabbix-3.0.3结合Grafana-3.1.0给你想要的绘图

导读Grafana 是 Graphite和 InfluxDB仪表盘和图形编辑器。Grafana 是开源的,功能齐全的度量仪表盘和图形编辑器,支持 Graphite,InfluxDB 和 OpenTSDB。Grafana 主要特性:灵活丰富的图形化选项;可以混合多种风格;支持白天和夜间模式;多个数据源;Graphite 和 InfluxDB 查询编辑器等等。 Grafana安装 Linu...

weixin_30613727的博客 90

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

上一篇: Grafana系列教程–Grafana基本概念
下一篇: Prometheus 初探
hxpjava1
博客等级 码龄19年 1365粉丝 511原创
评论 1
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