oracle中查看pga大小,oracle调整sga、pga大小

展开

修改sga大小

1-1查看当前sga大小

SQL> show parameter sga

1-2修改sga_max_size为24G

SQL> alter system set sga_max_size=24G scope=spfile;

1-3修改sga_target为24G

SQL> alter system set sga_target=24G scope=spfile;

1-4重启生效

SQL> shutdown immediate

SQL> startup

SQL> show parameter sga

修改pga大小

2-1查看当前pga大小

SQL> show parameter pga

2-2修改workarea_size_policy为AUTO

SQL> alter system set workarea_size_policy=auto scope=both;

SQL> show parameter workarea

2-3修改pga_aggregate_target为8G

SQL> alter system set pga_aggregate_target=8G scope=both;

pga为动态参数,不需要重启,修改完直接生效

SQL> show parameter pga

内存监控

3-1查看实际pga分配情况

SQL> SELECT * FROM V$PGASTAT;

aggregate PGA auto target

--当前可用于自动分配了的PGA大小,应该比PGA_AGGREGATE_TARGET 小

over allocation count

--实例启动后,发生的分配次数,如果这个值大于0,就要考虑增加pga的值

3-2查看sga和pga的使用情况

SQL> select name,total,round(total-free,2) used, round(free,2) free,round((total-free)/total*100,2) pctused from

(select ‘SGA‘ name,(select sum(value/1024/1024) from v$sga) total,

(select sum(bytes/1024/1024) from v$sgastat where name=‘free memory‘)free from dual)

union

select name,total,round(used,2)used,round(total-used,2)free,round(used/total*100,2)pctused from (

select ‘PGA‘ name,(select value/1024/1024 total from v$pgastat where name=‘aggregate PGA target parameter‘)total,

(select value/1024/1024 used from v$pgastat where name=‘total PGA allocated‘)used from dual);

————————————————

版权声明:本文为优快云博主「碧落长歌」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。

原文链接:https://blog.youkuaiyun.com/jp122623/java/article/details/83584209

原文:https://www.cnblogs.com/lcword/p/12613743.html

### YOLOv8 中 BottleneckCSP 的实现与用法 BottleneckCSP 是一种结合了瓶颈结构(Bottleneck)和跨阶段部分连接(Cross Stage Partial Connections, CSP)的设计模式,在 YOLOv5 和后续版本中被广泛采用。它通过减少计算冗余来提高模型效率,同时保持较高的特征提取能力。 #### 基本概念 Bottleneck 结构是一种经典的残差网络设计[^1],通常由多个卷积层组成,用于逐步降低通道数以减少计算量,然后再恢复到原始维度。而 CSP 则通过将输入分为两部分,并仅对其中一部分应用复杂的操作,从而进一步优化计算资源分配[^2]。 #### BottleneckCSP 的具体实现 在 YOLOv8 中,`BottleneckCSP` 类的定义如下: ```python class BottleneckCSP(nn.Module): def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5): super(BottleneckCSP, self).__init__() c_ = int(c2 * e) # hidden channels self.cv1 = Conv(c1, c_, 1, 1) self.cv2 = nn.Conv2d(c1, c_, 1, 1, bias=False) self.cv3 = nn.Conv2d(c_, c_, 1, 1, bias=False) self.cv4 = Conv(2 * c_, c2, 1, 1) self.bn = nn.BatchNorm2d(2 * c_) # applied to concatenated layers self.act = nn.LeakyReLU(0.1, inplace=True) self.m = nn.Sequential(*[Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)]) def forward(self, x): y1 = self.cv3(self.m(self.cv1(x))) y2 = self.cv2(x) return self.cv4(self.act(self.bn(torch.cat((y1, y2), dim=1)))) ``` 上述代码展示了 `BottleneckCSP` 的主要组成部分及其功能: - **Conv 层**:负责调整输入张量的通道数。 - **Bottleneck 子模块**:一系列堆叠的瓶颈结构,用于逐级处理特征图。 - **Concatenation 操作**:将经过复杂运算的部分与未变化的部分拼接在一起,形成最终输出。 #### 使用场景 `BottleneckCSP` 主要应用于主干网络中的不同阶段,作为构建深层神经网络的基础单元之一。它的高效性和灵活性使其成为现代目标检测框架的重要组件。 ---
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