深入剖析kubernetes系列学习之何为容器(二)

本博客为个人学习极客时间中张磊课程时所作的笔记,仅作交流,不得作为商用

上一篇深入剖析kubernetes系列学习之传奇背景(一)

目录

什么是进程

进程的边界

Linux的障眼法

Namespace技术

虚拟机与容器的差异

限制的艺术

容器即“进程”


什么是进程

什么是进程?相信很多人都能回答上来,对于进程,其静态表现就是程序,大部分时间都安安静静待在磁盘上;而一旦运行起来,即其动态表现,程序被翻译、解释并运行,然后从磁盘空间或I/O设备加载相关数据,可能还要访问网络资源,接着系统根据程序运行计算机指令......也就是说,进程是程序运行起来后计算机执行环境的总和,而这,也是容器的基础——因为容器,其实是一种特殊的进程。

进程的边界

容器之所以被称为特殊的进程,是因为容器这个进程是有边界的。上一篇博客提到容器是一种沙盒技术,即能够向集装箱一样把应用装起来,这样应用与应用之间因为存在边界而不至于互相干扰,而被装进集装箱的应用也能被方便的搬运——这就是PaaS最理想的状态。容器技术的核心功能,就是通过约束和修改进程的动态表现,从而为其人为打造“边界”。在Linux中,Cgroup技术是用来制造约束的主要手段,而Namespace技术则是修改进程视图的主要方法,即让进程看到的资源信息与实际资源信息不同,俗称“障眼法”。

Linux的障眼法

我们可以通过创建一个Docker容器来体验Linux的障眼法,本文环境为CentOS 7+,通过yum安装docker,简明流程如下:

1.更新yum源

#yum -y update

2.添加yum仓库

# cat >/etc/yum.repos.d/docker.repo <<-EOF

然后输入

[dockerrepo]
name=Docker Repository
baseurl=https://yum.dockerproject.org/repo/main/centos/7
enabled=1
gpgcheck=1
gpgkey=https://yum.dockerproject.org/gpg
EOF

3.安装Docker包

#yum install -y docker-engine

4.检查docker-selenux有没有安装,如果未安装,执行(一般情况下应该安装了)

# yum install -y docker-selinux

5.启动服务

# systemctl start docker.service

首先创建一个容器(第一次创建会从远端拉去镜像,然后启动并进入容器):

# docker run -it busybox /bin/sh
/ # 

其中,

-i: --interactive(相互作用的)   Keep STDIN open even if not attached(即使没有连接,也要保持STDIN打开)

-t:   --tty                          Allocate a pseudo-TTY(分配一个 冒充的终端设备)

这条指令的意思是:启动容器、在容器中执行/bin/sh,为我分配命令行终端与容器交互。

执行ps指令查看进程信息:

/ # ps
PID   USER     TIME  COMMAND
    1 root      0:00 /bin/sh
    5 root      0:00 ps
/ # 

可以发现/bin/sh进程的PID为1,说明/bin/sh与ps进程都被Docker隔离在了一个与宿主机(运行容器的机器)完全不同的环境中。

如何做到的呢?

其实很简单,Linux系统会为每个进程分配唯一的PID号,就像员工工牌,如果PID=100意味着你是公司第100号员工,1号员工就是老板,每个新员工入职时都会分配工号并递增。Docker做的就是在101号员工入职时给他施“障眼法”,使其看不到前面的100号员工,使其错误的以为自

Kubernetes 原理剖析与实战应用】 开篇 | 如何深入掌握 Kubernetes? 云原生基石:初识 Kubernetes 01 | 前世今生:Kubernetes 是如何火起来的? 02 | 高屋建瓴:Kubernetes 的架构为什么是这样的? 03 | 集群搭建:手把手教你玩转 Kubernetes 集群搭建 04 | 核心定义:Kubernetes 是如何搞定“不可变基础设施”的? 「关注公众号【云世】,免费获取全系列课程内容」 05 | K8s Pod:最小调度单元的使用进阶及实践 Kubernetes 进阶:部署高可用的业务 06 | 无状态应用:剖析 Kubernetes 业务副本及水平扩展底层原理 07 | 有状态应用:Kubernetes 如何通过 StatefulSet 支持有状态应用? 08 | 配置管理:Kubernetes 管理业务配置方式有哪些? 09 | 存储类型:如何挑选合适的存储插件? 10 | 存储管理:怎样对业务数据进行持久化存储? 11 | K8s Service:轻松搞定服务发现和负载均衡 12 | Helm Charts:如何在生产环境中释放部署生产力? 守护神:业务的日志与监控 「关注公众号【云世】,免费获取全系列课程内容」 13 | 服务守护进程:如何在 Kubernetes 中运行 DaemonSet 守护进程? 14 | 日志采集:如何在 Kubernetes 中做日志收集与管理? 15 | Prometheus:Kubernetes 怎样实现自动化服务监控告警? 16 | 迎战流量峰值:Kubernetes 怎样控制业务的资源水位? 17 | 案例实战:教你快速搭建 Kubernetes 监控平台 安全无忧:集群的安全性与稳定性 18 | 权限分析:Kubernetes 集群权限管理那些事儿 19 | 资源限制:如何保障你的 Kubernetes 集群资源不会被打爆 20 | 资源优化:Kubernetes 中有 GC(垃圾回收)吗? 21 | 优先级调度:你必须掌握的 Pod 抢占式资源调度 22 | 安全机制:Kubernetes 如何保障集群安全? 23 | 最后的防线:怎样对 Kubernetes 集群进行灾备和恢复? 「关注公众号【云世】,免费获取全系列课程内容」 加餐:问题答疑和优秀留言展示 知其所以然:底层核心原理及可扩展性 24 | 调度引擎:Kubernetes 如何高效调度 Pod? 25 | 稳定基石:带你剖析容器运行时以及 CRI 原理 26 | 网络插件:Kubernetes 搞定网络原来可以如此简单? 27 | K8s CRD:如何根据需求自定义你的 API? 28 | 面向 K8s 编程:如何通过 Operator 扩展 Kubernetes API? 特别放送 「关注公众号【云世】,免费获取全系列课程内容」 29 | Kubernetes 中也有定时任务吗? 30 | Kubectl 命令行工具使用秘笈 结束语 结束语 | Cloud Native is Eating the World:时代在召唤云原生 「关注公众号【云世】,免费获取全系列课程内容」
<think>好的,我需要回答用户关于图像深度学习的定义、原理和应用场景的问题。首先,根据用户提供的引用内容,我需要整合相关信息,并确保结构清晰,符合用户的要求。 首先,定义部分。引用[2]提到卷积神经网络(CNN)是深度学习的代表算法之一,广泛应用于图像处理。因此,图像深度学习的定义应该围绕使用深度神经网络,特别是CNN来处理图像数据,进行特征学习和模式识别。 接下来是原理部分。引用[1]详细描述了图像分割的三个层次,其中第三层提到使用CNN如U-Net和Mask R-CNN进行对象级分割。引用[2]解释了CNN的结构,包括卷积层、池化层和全连接层的作用。此外,引用[3]提到目标检测结合分类和定位,使用边界框标记多个对象。这些内容需要整合到原理部分,说明CNN如何通过多层结构自动提取特征,以及其在分类、检测和分割中的应用。 应用场景方面,引用[1]提到医学图像和自动驾驶,引用[4]举了肺癌CT识别的例子,引用[3]讨论了目标检测在自动驾驶和安防中的应用。需要将这些例子分类整理,如医疗诊断、自动驾驶、安防监控、图像增强等。 同时,用户要求生成相关问题,我需要根据内容提出相关的问题,例如技术细节、优化方法和应用实例。 需要确保使用正确的中文表达,行内公式用$...$,独立公式用$$...$$,并检查LaTeX语法是否正确。此外,引用标识要自然地添加到段落末尾,如[^1][^2][^3][^4]。 最后,确保回答结构清晰,分点明确,帮助用户逐步理解图像深度学习的各个方面。</think>### 图像深度学习的定义、原理及应用场景 #### 一、定义 图像深度学习是**基于深度神经网络(尤其是卷积神经网络,CNN)的计算机视觉技术**,通过多层非线性处理单元自动学习图像中的特征表达,完成分类、检测、分割等任务[^2][^3]。 --- #### 、原理 1. **核心架构:卷积神经网络(CNN)** - **卷积层**:利用滤波器提取局部特征(如边缘、纹理),通过$W \ast X + b$计算特征图 - **池化层**:降低维度并保留关键信息,例如最大池化$\max(x_{i:i+k}, x_{j:j+k})$ - **全连接层**:将高级特征映射到分类/回归结果 $$ \text{输出} = \sigma\left( \sum_{i=1}^n w_i x_i + b \right) \quad (\sigma为激活函数) $$ 2. **特征学习机制** - 低层学习基础特征(如颜色、边缘) - 高层组合特征形成语义概念(如“车轮”“人脸”)[^2] 3. **关键任务实现** - **目标检测**:结合区域建议(如Faster R-CNN)和边界框回归[^3] - **图像分割**:通过U-Net等结构实现像素级预测[^1] --- #### 三、应用场景 | 领域 | 典型应用 | 技术方案 | 案例说明 | |----------------|---------------------------------------|--------------------------|----------------------------------------| | **医疗诊断** | 肺癌CT图像识别 | 3D CNN分析病灶特征 | 提高早期肺癌检出率[^4] | | **自动驾驶** | 实时目标检测与语义分割 | YOLO + Mask R-CNN | 识别行人、车辆及可行驶区域 | | **工业质检** | 缺陷检测 | 自编码器异常检测 | 电子元件表面划痕识别 | | **图像增强** | 超分辨率重建 | SRGAN对抗生成网络 | 将低清医学影像提升至4K分辨率 | | **安防监控** | 多目标跟踪 | DeepSORT算法 | 商场人流统计与异常行为预警 | ---
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