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
1.1k累计阅读
1.2k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
http://www-128.ibm.com/developerworks/cn/linux/cluster/hpc/part1/
http://www-128.ibm.com/developerworks/cn/linux/cluster/hpc/part2/
http://www-128.ibm.com/developerworks/cn/linux/cluster/hpc/part3/
http://www-128.ibm.com/developerworks/cn/linux/cluster/hpc/part4/
http://www-128.ibm.com/developerworks/cn/linux/cluster/hpc/part5/
linux集群中mpi的并行计算环境简单配置,linux集群中MPI的并行计算环境简单配置(转）...
一、集群和Linux上的集群解决方案集群计算机是指用一组联网的PC或工作站来搭建成的，提供比单个PC(节点)计算性能高得多的计算机。说其是计算机，其实是针对所提供出来的服务而言的，或者说是逻辑上来说的。集群计算机的主要优势就是成本，相同的计算能力下，其成本只有传统大型机的十分之一，在全球计算机TOP500中，集群计算机的比重越来越大，近两年的比重超过了80%。特别是对中小企事业应用，实验研究和教学...
Linux基础知识：Linux集群与负载均衡，构建高可用与高性能的服务器集群
在互联网业务高速发展的背景下，单台Linux服务器的性能和可靠性已难以满足大规模用户访问需求——当并发量激增时，单台服务器会因CPU过载、内存不足陷入卡顿；若服务器突发故障，整个业务还会陷入瘫痪。而**Linux集群**与**负载均衡**技术，正是解决这一问题的核心方案：通过将多台服务器组成“虚拟超级服务器”，既能分摊访问压力实现高性能，又能通过故障自动切换保障高可用。本文将从基础概念入手，带你掌握Linux集群的类型、负载均衡的原理与工具，以及搭建高可用集群的关键步骤。
Linux HA集群——共享存储篇
绝大多数集群都使用共享存储。
基于LINUX和mpi的高性能集群,LinuxService- MPI实现高性能集群
1 集群介绍1.1 集群概念集群(Cluster)：是指由一批具备相同或类似功能的物品组成的，提供更大、更强、更稳定功能的这样一种组合。集群通常可以定义为两台或两台以上相互独立的计算机，对外表现为一个整体系统。节点(Node)：简单叙述即集群就是一组计算机在一起合作为用户提供一组网络资源，而集群组中的单一的计算机就被称为“节点(node)”。硬件的型号及系列一般要一致。集群中的两个节点之间一般有2...
RK3588+TRL8367s 四网口千兆交换机配置与优化实战
本文详细介绍了基于RK3588高性能SoC与TRL8367s千兆交换芯片构建四网口交换机的完整实战流程。内容涵盖硬件连接、设备树配置、内核驱动加载、性能优化及常见问题排查，重点解析了RGMII时序调试、DSA架构配置等关键步骤，为嵌入式网络设备开发提供实用指南。
最新CobaltStrike4.8/CobaltStrike4.9、CS4.9/CS4.8、 Windows/Linux/Mac版下载
Cobalt Strike是一款基于java的渗透测试神器，常被业界人称为CS神器。自3.0以后已经不在使用Metasploit框架而作为一个独立的平台使用，分为客户端与服务端，服务端是一个，客户端可以有多个，非常适合团队协同作战，多个攻击者可以同时连接到一个团队服务器上，共享攻击资源与目标信息和sessions，可模拟APT做模拟对抗，进行内网渗透。 Cobalt Strike集成了端口转发、服务扫描，自动化溢出，多模式端口监听，win exe木马生成，win dll木马生成，java木马生成，
计算机集群 -- Linux 集群技术概述
Linux 集群技术概述一、什么是集群 ？二、常见集群架构三、为什么要使用集群 ？四、集群分类1、负载均衡集群2、高可用集群3、高性能计算集群4、网格计算五、常用集群软、硬件 一、什么是集群 ？ 集群是一种并行或分布式系统，该系统包括一个互连的整体计算机集合作为一种单一、统一的计算资源使用。通过集群技术，我们可以在付出较低成本的情况下获得在性能、可靠性、灵活性方面更高的收益。 计算机集群简称集群，是一组计算机系统，它通过一组松散集成的计算机软件和硬件连接起来，高度紧密地协作完成计算相关工作。 集群，是一组
固定资产报废的损失鉴定怎么做？
在社会生产的日常中，企业经常会遇到固定资产报废的损失鉴定，那么怎么去做鉴定？哪些情况下能申请固定资产报废损失鉴定呢？ 今天，华碧鉴定就和大家说一说固定资产报废损失鉴定那些事儿。 符合下列条件之一的固定资产可申请报废： 1、使用年限过长，功能丧失，完全失去使用价值，或不能使用并无修复价值的； 2、产品技术落后，质量差，耗能高，效率低，已属淘汰且不适于继续使用，或技术指标已达不到使用要求的； 3、严重损坏，无法修复的或虽能修复，但累计修理费已接近或超过市场价值的； 4、主要附件损坏，无.
Linux 集群大全
原贴：http://blog.chinaunix.net/u/13329/showart.php?id=121986 Linux 集群大全
别再手动查日志了！用Dify+Zabbix打造你的专属运维“嘴替”（保姆级配置流程）
本文详细介绍了如何利用Dify平台与Zabbix监控系统集成，构建智能运维对话系统，实现自然语言交互的运维管理。通过保姆级配置流程，帮助运维工程师提升查询效率、降低学习成本，打造企业级智能运维解决方案。
地心地固坐标系与北天东坐标系的转换
经过这一步旋转，x3轴和y3轴就处在过O3点的经度线所在的平面了，而且z3轴指向了东。将图3的坐标系旋转成图2的样子。这里需要多次旋转，每次以某个轴为对称轴进行旋转，对应的坐标变换参考。的原点在地心，Z轴指向北极点，X轴指向本初子午线与赤道的交点，Y轴指向符合右手定则，如下图所示。下面实现地心地固坐标系到北天东坐标系的转换，问题描述为：设一点。以y1轴为对称轴，顺时针旋转90°，得到图4的样子。，X轴指向北，Y轴指向天，Z轴指向东，如下图所示。因此，北天东坐标下的坐标为。点在图3坐标系下的坐标。
高性能的 Linux 集群，第 2 部分: 构建一个工作集群
文章来自：http://www.ibm.com/developerworks/cn/linux/l-cluster2/ 本系列的第 1 篇 集群基础 讨论了集群的类型、用途、HPC 基础以及集群技术在 HPC 领域变得更加流行的原因。 本文介绍了并行算法，并介绍了如何编写并行程序、构建集群以及对集群进行基准测试。我们将介绍如何使用 MPI 进行并行编程，以及构建 Lin
面向高速Serdes的信号完整性优化：从封装 - 板级互连局限到封装内互连技术演进（一）
本文针对高速SerDes互连链路中的关键电磁效应展开研究：1）揭示了封装-主板互连结构在毫米波频段易激发谐振效应，导致53GHz传输陷波和阻抗偏移；2）提出基于本征模分析的谐振抑制方法，通过优化接地过孔排布使带宽突破95GHz；3）系统比较了方形/六边形BGA排布下23种差分对朝向的串扰特性，证实六边形阵列可将功率和串扰降低30%以上；4）论证了100GHz以上带宽需采用封装内互连架构，其较传统方案减少50%阻抗不连续节点。
Linux 高性能计算集群（六）BeoWulf
概述 1 集群 1.1 什么是集群 简 单的说，集群（cluster）就是一组计算机，它们作为一个整体向用户提供一组网络资源。这些单个的计算机系统就是集群的节点（node）。一个理想的 集群是，用户从来不会意识到集群系统底层的节点，在他/她们看来，集群是一个系统，而非多个计算机系统。并且集群系统的管理员可以随意增加和删改集群系统 的节点。 1.2 为什么需要集群 集群并不是一个全新的
CATIA二次开发——遍历几何图形集下的轴系及控制轴系生成位置
CATIA二次开发——轴系相关问题1.遍历几何图形集下的轴系2.解决轴系生成位置的问题 1.遍历几何图形集下的轴系 近期遇到的问题：遍历轴系的时候发现，AxisSystem属性的轴系只有放在轴系集合下，才能被找到，放在几何图形集或其他位置均不能被找到。本来想遍历几何图形集下的轴系元素，但是发现没有对应的属性，只能查找 几何图形集、几何元素、草图等元素，无法直接遍历轴系。 解决办法：（加入选择集，在选择集中筛选轴系类型） HybridBody axisHB = activePart.HybridBodies
深度剖析XY2-100与SL2-100协议：解锁激光打标核心技术密码
XY2-100和SL2-100是激光打标领域的两种核心控制协议。XY2-100协议采用串行通信，指令集简单，适合常规打标任务，具有成本优势；SL2-100协议支持更高速率（1Mbps以上），具备曲线插补等高级指令，在精密加工领域表现突出。两者的主要差异体现在数据传输（帧结构、速率）、指令集（功能、数量）、参数调节（范围、精度）和错误处理机制等方面。实际应用中，XY2-100适合简单图形的大批量生产，SL2-100更胜任复杂曲面的高精度加工。选择时需综合考虑打标需求、设备兼容性和成本因素，未来两种协议将持续优
构建高性能Linux Virtual Server（LVS）集群
在当今互联网服务环境中，高并发、高可用是衡量系统性能和稳定性的关键指标。为了应对海量请求和实现系统的稳定性，负载均衡技术成为不可或缺的一环。其中，Linux Virtual Server（LVS）作为基于Linux内核的开源负载均衡解决方案，凭借其高效能与灵活配置的特点，在众多场景下得到广泛应用。接下来，我们将深入探讨如何构建一个LVS集群
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
Linux高性能集群（AMD处理器）Linpack测试方法
讲述linux高性能计算集群（AMD处理器）进行linpack性能测试的方法
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');```[](https://bitdeli.com/free "Bitdeli Badge")
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
Linux搭建hadoop高性能集群（一）
文章目录关于此篇（题外话）Linux系统搭建hadoop高性能集群（一）第一步 虚拟机的安装第二步 创建一个虚拟机第三步 虚拟机启动初始化第四步 虚拟机克隆第五步 Linux系统网络配置IP地址配置配置主机名和IP映射网络参数配置注意第六步 SSH服务配置第七步 JDK安装相关资料 关于此篇（题外话） 目前，作者也还是一名默默无闻的大学生，之所以写这篇文章，主要是最近接到了不少朋友的求助，他们...
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
Linux 集群
Linux 集群 Linux_Cluster Linux_ClusterOverviewLBIntroductionLVS的调度方法：10种ipvsadm查看lvs状态VS/NATARP问题LVS my testing持久连接HA概述Cluste...
计算集群用哪个linux版本,安装Linux高性能计算集群
将新实施的群集框架迁移到可用的高性能计算群集的第一个挑战是安装操作系统，例如第三方软件包. 在4到8点的集群中，您可以手动安装每个节点. 但是，的工业化集群需要更有效的方法. 本文介绍了不同类型的群集配置和有效的Linux安装方法. 还有每种方法的好处.高性能计算群集的主节点和计算节点的配置使用三种主要类型: 松耦合，中耦合和紧密耦合. 每种配置都描述了计算节点与主节点之间的依赖关系(请参见图1)...
Linux高性能计算集群 - 概述
1 集群 1.1 什么是集群 简单的说，集群（cluster）就是一组计算机，它们作为一个整体向用户提供一组网络资源。这些单个的计算机系统就是集群的节点（node）。一个理想的集群是，用户从来不会意识到集群系统底层的节点，在他/她们看来，集群是一个系统，而非多个计算机系统。并且集群系统的管理员可以随意增加和删改集群系统的节点。 1.2 为什么需要集群 集群并不是一个全新的概
Linux集群知识
主要对Linux集群作基本的认识，集群包括LB集群、HA集群、HPC集群，文章只对LB集群和HA集群作了学习
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1693
扫一扫
