优化GPU性能:使用systemd管理NVIDIA持久化守护进程nvidia-persistenced

【小伟哥AI之路】nvidia-smi之nvidia-persistenced卡顿加速详解 当初接触nvidia显卡让我一头雾水 ubuntu系统安装、nvidia显卡驱动安装遇到的坑 什么循环桌面不能进系统,tesla k80 的算力问题 升级为现在的GeForce RTX2080 Ti 在了解nvidia-smi命令后 具体nvidia-smi命令详情见 【小伟哥AI之路】nvidia-smi之GPU状态监测命令详解 进入正题 如果显卡数量在4张以上,在nvidi... 阅读详情

1. 为什么你的GPU应用启动那么慢?聊聊nvidia-persistenced

你有没有遇到过这种情况:在Linux服务器上跑一个深度学习训练脚本,或者启动一个CUDA程序,第一次启动总要等上好几秒,甚至更久,感觉特别“肉”?但如果你紧接着再跑一次,速度就快多了。或者,在多用户共享的GPU服务器上,用户A刚用完GPU,用户B紧接着启动任务,结果又卡在了启动阶段。这背后的“元凶”,很可能就是NVIDIA GPU驱动的频繁加载和卸载。

简单来说,Linux系统为了节省资源,有个很“聪明”的习惯:当一个硬件设备(比如你的顶级GPU)长时间没有被任何程序使用时,系统内核就会觉得“这东西占着茅坑不拉屎”,于是把相关的驱动内核模块(比如 nvidia.ko, nvidia_uvm.ko)给卸载掉。等你下次再想用GPU跑程序时,系统就得重新加载这些模块、初始化GPU硬件,这个过程不仅耗时(通常1-3秒,如果涉及ECC内存清理会更久),还会重置GPU的一些运行状态(比如频率、电源模式)。

想象一下,你有一辆性能跑车,但每次上车前都得重新安装发动机、调试变速箱,这谁受得了?对于需要频繁启停GPU任务的场景,比如自动化测试、CI/CD流水线、交互式数据分析,或者多用户的研究环境,这种延迟简直是灾难。

这时候,就该 nvidia-persistenced 出场了。你可以把它理解为一个GPU的“贴心管家”。它的工作非常简单但极其有效:它什么都不干,就专门负责“占着”GPU的设备文件句柄。只要这个管家在,系统内核就会认为GPU一直有“人”在用,从而不会去卸载驱动模块。这样一来,后续的GPU应用就能实现“秒启动”,并且GPU的硬件状态也能得到保持,运行更稳定。

我自己的经验是,在部署了多台A100/H100的AI训练集群上,如果不启用持久化,用户提交的短任务(比如几分钟的模型验证)有将近10%的时间都浪费在了驱动加载上。启用之后,整体集群的GPU利用率和用户满意度都明显提升了。

2. 手动管理 vs. 守护进程:两种持久化模式详解

NVIDIA其实提供了两种方式来保持GPU驱动加载状态,但其中一种已经是“过去式”了,我们需要搞清楚区别。

2.1 传统模式:手动设置Persistence Mode(已过时)

这是早期的方法,通过 nvidia-smi 命令直接操作内核驱动的一个属性。

开启持久化模式:

sudo nvidia-smi -i 0 -pm 1

这里的 -i 0 指定GPU索引(第一块卡),-pm 1 就是启用持久模式。

关闭持久化模式:

sudo nvidia-smi -i 0 -pm 0

查看当前状态:

sudo nvidia-smi -i 0 -q | grep "Persistence Mode"

或者在 nvidia-smi 的表格输出里,看 Persistence-M 那一列,显示 On 或 Off。

这个方法有什么问题?

  1. 重启失效:这个设置是临时的,服务器一重启就没了,你得重新设置。
  2. 内核级交互复杂:它直接修改内核驱动行为,与系统其他部分的交互有时会产生一些难以调试的微妙问题。
  3. 已被归档:NVIDIA官方已经将这种方法标记为“遗留的”(Legacy),并计划在未来弃用。现在更推荐的是下面这种更优雅的方式。

2.2 现代方法:nvidia-persistenced 守护进程(推荐)

这才是我们今天要讲的重点。nvidia-persistenced 是一个运行在用户空间的守护进程(daemon)。它的设计非常巧妙:它不直接修改内核,而是通过模拟一个始终“打开”着GPU设备文件的客户端,来“欺骗”内核,让内核认为GPU一直处于被使用状态。

它的工作原理是这样的:

  1. 守护进程启动后,会调用NVIDIA的配置库(libnvidia-cfg),根据GPU的PCI总线地址,去打开对应的设备文件(比如 /dev/nvidia0)。
  2. 打开后,它基本上就进入睡眠状态,不占用GPU计算资源,也不进行任何图形操作,开销极小。
  3. 它同时提供了一个RPC(远程过程调用)接口。当你使用 nvidia-smi -pm 1 时,如果守护进程在运行,命令会通过这个RPC接口通知守护进程来维持状态,而不是去修改内核。如果守护进程没运行,才会回退到旧的遗留模式。
  4. 当守护进程被停止时,它会关闭所有设备文件,内核检测到没有客户端了,就会正常卸载驱动。

这种方式更健壮,更符合Linux的设计哲学,也是NVIDIA官方当前推荐的做法。我们通过systemd来管理这个守护进程,就能实现开机自启、状态监控、自动重启等现代化服务管理的所有好处。

3. 手把手配置:为nvidia-pe

优化GPU性能:使用systemd管理nvidia-persistenced守护进程 本文详细介绍了如何使用systemd管理nvidia-persistenced守护进程以优化GPU性能。通过保持NVIDIA驱动常驻内存和维护硬件状态,显著减少深度学习训练和图形渲染任务的启动时间。文章提供了完整的服务配置、权限设置和性能测试方案,适用于多GPU环境的高级调优与故障处理。 阅读详情

相关推荐

避坑指南:nvidia-persistenced服务常见报错解决方案(附状态检测命令)

本文详细解析了NVIDIA Persistence Daemon(nvidia-persistenced)服务的常见故障及解决方案,包括权限问题、驱动冲突和系统资源限制等。通过实用的状态检测命令和优化配置,帮助用户确保GPU在高性能计算和深度学习任务中的稳定运行。

bert9linguist的博客 554

NVIDIA显卡程序组件nvidia-persistenced通过systemd管理配置

本文介绍了如何将NVIDIA GPU持久化守护进程(nvidia-persistenced)配置为systemd服务。该服务通过保持GPU内核模块状态和设备文件句柄,可优化GPU应用启动速度和稳定性。文章详细说明了服务作用:减少模块加载开销、维护硬件状态、支持多用户场景。配置步骤包括:检查显卡状态、创建systemd服务文件(/etc/systemd/system/nvidia-persistenced.service)、启动并启用服务。最后提醒即使服务停止,显卡驱动仍可正常工作,只是性能可能受影响。

平庸 861

NVIDIA GPU持久模式:从守护进程到性能优化的深度解析

本文深入解析NVIDIA GPU持久模式的核心价值与性能优化策略,重点介绍通过守护进程(nvidia-persistenced)消除GPU重复初始化延迟的技术方案。内容涵盖Ubuntu系统部署指南、混合负载动态调优技巧,以及在Kubernetes环境中的最佳实践,帮助开发者显著提升AI训练和推理任务效率。

weixin_33713350的博客 233

NVIDIA GPU Fabric Manager安装与故障排查指南

Fabric Manager是NVIDIA数据中心GPU(如A100/H100/L40/B100)的关键底层服务,负责NVLink互连、GPU拓扑发现与Fabric初始化。其原理在于为CUDA Runtime和NVML提供硬件级通信通道,缺失将导致nvidia-smi失败、torch.cuda.is_available()返回False等典型问题。该服务并非可选组件,而是Ampere及更新架构的强制依赖,尤其在Ubuntu 22.04/24.04等现代Linux系统中常因版本不匹配或未启用而引发‘GPU黑屏

weixin_34101784的博客 400

Linux服务器上NVIDIA GPU持久化模式配置全攻略(含systemd服务文件详解)

本文详细介绍了在Linux服务器上配置NVIDIA GPU持久化模式的完整指南,包括systemd服务文件的详细解析。通过启用持久化模式,可显著提升GPU在高强度负载场景下的性能稳定性,减少任务启动延迟和硬件状态重置问题。文章还涵盖了多GPU服务器配置、故障排查及安全实践等高级内容。

weixin_42535461的博客 224

GPU实时监控闭环体系:从nvidia-smi失联到企业级告警

GPU监控本质是面向AI基础设施的可靠性工程,其核心在于理解GPU作为复杂硬件子系统的多维耦合特性——包括CUDA计算单元、显存带宽、PCIe吞吐、温度墙与功耗墙。传统依赖nvidia-smi的秒级轮询存在采样盲区、指标模糊(如GPU-Util不反映显存瓶颈)和链路脆弱(NVML初始化失败即全链路中断)三大缺陷。真正的real time监控需构建采集→传输→存储→分析→告警五层闭环,在Linux环境下深度适配驱动模块、cgroup隔离与内核兼容性。技术价值体现在提前预判硬件退化、定位瞬态性能瓶颈(如PCIe

weixin_30878501的博客 401

NVIDIA NemoClaw安全部署指南:硬件感知型LLM运行时沙箱

NemoClaw是NVIDIA推出的面向大语言模型服务的硬件感知型运行时沙箱,本质是在CUDA层之下嵌入GPU资源策略控制中间件,提供显存隔离、SM亲和绑定与功耗-性能动态协商能力。其技术价值在于将GPU从‘黑盒算力单元’升级为‘可编程资源平面’,显著提升LLM服务在高并发、多租户场景下的稳定性与能效比。典型应用场景包括金融风控实时推理、边缘AI服务器静音部署及A100/H100集群的细粒度资源治理。本文聚焦NemoClaw(社区误称‘龙虾’)的安全部署实践,覆盖驱动校验、内核模块权限管控、容器化集成及运行

weixin_33787529的博客 399

AI助手成挖矿木马新渠道:GPU加密劫持攻击原理与防御指南

加密劫持是一种恶意利用受害者计算资源进行加密货币挖矿的攻击。其原理在于攻击者通过植入恶意脚本或程序,在用户不知情的情况下占用CPU或GPU进行哈希运算,为攻击者牟利。随着AI技术的普及,攻击手法发生了范式转移,从传统的网页脚本注入转向了更具隐蔽性的供应链投毒。攻击者利用用户对AI助手的高度信任,通过污染训练数据、制作恶意插件或构造诱导性对话,将挖矿木马精准投放到拥有高性能GPU的高价值目标环境中。这种新型攻击的技术价值在于其极高的隐蔽性和针对性,能有效绕过传统安全防护。其应用场景广泛,尤其威胁到数据中心、科

aome1470的博客 397

64张H100裸金属训练实战:降本65%的关键在物理层优化

GPU分布式训练的本质是硬件协同——当模型规模突破单机极限,通信拓扑、显存带宽、NVLink直连与PCIe延迟等底层物理约束,直接决定训练效率天花板。传统云平台将H100封装为抽象实例,引入虚拟化开销、网络降级和默认隔离策略,导致NCCL带宽损失、HBM3利用率不足及启动延迟激增;而裸金属GPU调度(如RunPod)通过暴露真实硬件拓扑、支持CUDA_VISIBLE_DEVICES精细绑定、启用MPS共享上下文及InfiniBand子网管理,使64卡AllReduce延迟降低19%、显存带宽利用率提升至91

weixin_30443813的博客 461

Ubuntu 24.04下Dify+Ollama生产级部署全链路调优指南

本地大模型应用部署的核心在于操作系统、AI运行时与应用框架的深度协同。Ubuntu 24.04凭借Linux 6.8内核、原生NVIDIA 535+驱动支持、systemd-resolved DNSSEC加固及apt源重构,成为当前最稳定的AI本地化基座;Dify作为低代码AI工作流编排平台,与Ollama这一轻量级模型服务引擎形成‘应用层-模型层’物理解耦架构,显著提升故障定位效率与系统可控性。该组合在数据不出内网、低延迟响应、物理级模型管控等强合规场景中具备不可替代的技术价值,广泛适用于企业知识库问答、

weixin_33802505的博客 489

DDPG算法实战:用Python一步步实现深度强化学习中的连续动作控制

本文详细介绍了DDPG算法在深度强化学习中的连续动作控制应用,通过Python和PyTorch实现从零构建智能体。内容涵盖环境搭建、网络架构设计、经验回放、OU噪声实现及训练流程优化,帮助开发者掌握DDPG在机械臂控制等场景的核心技术。

weixin_30335575的博客 419

GWAS与eQTL相结合,进一步筛选疾病相关基因

欢迎关注”生信修炼手册”!在GWAS分析结果中,大部分显著的SNP位点都位于非编码区,很难直接挖掘这些位点的调控机制。通常假设与疾病关联的SNP位点通过调控基因表达来发挥作用,而eQTL...

庐州月光的博客 1万+

手把手教你搞定EMC EFT测试:从电源线到信号线的完整整改实战(附常见失败原因)

本文详细解析了EMC EFT测试中的常见问题及整改措施,从电源线到信号线的完整实战方案。通过四步定位法和成本最优整改策略,帮助工程师有效应对电快速脉冲群干扰,提升产品通过率并降低成本。

weixin_30920597的博客 501

【补充:脑电绘图教程 2】如何手动去除ICA伪迹分量

ICA可以将脑电信号分解为多个IC分量,由每个分量的平均功率地形图可以看出哪些分量属于伪迹,去除伪迹分量后,即可得到“干净”的脑电信号。本教程主要总结如何人工识别出ICA伪迹分量,不涉及ICA的原理讲解。本教程的主要知识来源是ICLabel官网ICLabel致力于自动识别IC分量属于哪种伪迹,并标记伪迹占比,可以在eeglabel中很方便地使用。ICLabel给出了几种常见伪迹的特点,本教程主要是根据ICLabel给出伪迹特点,对自己的数据集手动去除伪迹,以更深入了解自己数据集的质量和伪迹特点。

qq_40735196的博客 4233

问题解决:打开VMware创建的虚拟机,电脑立刻蓝屏并重启

VMware Workstation 与 Device/Credential Guard 不兼容。在禁用 Device/Credenti

weixin_55118477的博客 3万+

【Claude Code】Claude Code 使用指南

本文介绍了AI编码助手Claude的基础和进阶操作指南。基础部分涵盖启动命令、模式切换(自动编辑/Plan/Yolo模式)、资源监控等核心功能,重点讲解了斜杠命令的使用方法。进阶操作详细说明了CLAUDE.md文件的创建与管理,包括项目规范、代码风格等内容的配置,以及如何通过该文件建立持久上下文。同时提醒了使用过程中的安全风险,建议通过配置文件限制AI对关键代码的访问权限。全文提供了完整的操作指引和安全建议,帮助开发者高效安全地使用Claude进行编码辅助。

大家好,我是敖云岚,一个沉迷代码的 “技术玩家”。擅长 Java、C++ 开发,对 MySQL、Redis、RabbitMQ 等技术也颇有研究。博客里既有硬核技术干货,也有诙谐幽默的编程日常分享。愿和你一起,笑着学技术,快乐敲代码! 1万+

C++ Qt6 qml CMakeLists.txt如何添加qrc文件

本文介绍了在Qt6项目中如何通过CMake管理QML图片资源。相比Qt5的qmake,CMake需要手动创建qrc文件并配置CMakeLists.txt。关键步骤包括:1)创建resources.qrc文件并添加图片资源;2)在CMakeLists.txt中设置CMAKE_AUTORCC为ON开启自动资源处理;3)使用qt_add_resources将qrc文件绑定到项目。配置完成后,可通过"qrc:alias"方式引用资源图片,解决了相对路径管理复杂的问题。

琅嬛福地 1455

后仿真中的必懂VCS仿真选项之initreg和deposit

后仿真中,我们常常对于没有复位寄存器和存储器单元,使用仿真选项之initreg和deposit,两种处理方式。今天做总结。请注意:请勿将两者进行同时使用。对于到底选取哪种方式,要结合实际的情况决断。但是,两者同时使用,会有冲突,得不到预期结果。

那么菜的博客 4334

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

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")

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

上一篇: HALCON内存管理实战:如何避免.NET垃圾回收导致的图像内存泄漏
下一篇: Stripe 轮询测试信用卡:高效验证与多卡种兼容实践
普通网友
博客等级 码龄4年 95粉丝 1459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  | 博主筛选后可见
 
 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