从redis为什么单线程还那么快到epoll的设计原理

yyoc97 yyoc97 博客等级 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 4.9k累计阅读 4.9k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 码龄12年
关注
原创 最新推荐文章于 2026-06-04 09:46:28 发布 4.9k 阅读 AI 写同款· GEO 优化 ›
I/O多路转接之epoll 个人笔记 阅读详情

文章目录

redis为什么快

Redis采用的是基于内存的采用的是单进程单线程模型的 KV 数据库，由C语言编写，官方提供的数据是可以达到100000+的QPS（每秒内查询次数）。主要设计如下：（单线程和NIO会做详细的讲述）

  • 完全基于内存，绝大部分请求是纯粹的内存操作，非常快速
  • 数据结构简单，对数据操作也简单，Redis中的数据结构是专门进行设计的
  • 采用单线程，避免了不必要的上下文切换和竞争条件，也不存在多进程或者多线程导致的切换而消耗 CPU，不用去考虑各种锁的问题，不存在加锁释放锁操作。
  • 使用多路I/O复用模型，非阻塞IO。

上下文切换

为了控制进程的执行，内核必须有能力挂起正在CPU上运行的进程，并恢复以前挂起的某个进程的执行。这种行为被称为进程切换（也叫调度）。因此可以说，任何进程都是在操作系统内核的支持下运行的，是与内核紧密相关的。
1.保存当前进程A的上下文 (就是内核再次唤醒当前进程时所需要的状态)
2. 切换页全局目录以安装一个新的地址空间 …
3. 恢复进程B的上下文
可以理解成一个比较耗资源的过程

为什么采用单线程

首先问这个问题，说明我们对多线程还是有一定了解的，第一映像就是多线程要快些，仔细一想是哪方面快了勒 ？很多人都能想到是计算能力，没错，我们对cpu的利用率提高了。那么我们设想下独立模式下单台redis的性能瓶颈是什么了？我们知道Redis是基于内存的操作，CPU不是Redis的瓶颈，其实Redis的瓶颈最有可能是机器内存的大小或者网络带宽。既然CPU不会成为瓶颈，那就顺理成章地采用单线程的方案了。（毕竟采用多线程会有很多麻烦！）

redis的I/O多路复用

我们知道传统的BIO（Blocking）操作都是按照顺序线性执行的，但是由于读写操作等待用户输入或输出都是阻塞的，所以 I/O 操作在一般情况下往往不能直接返回，这会导致某一文件的 I/O 阻塞导致整个进程无法对其它客户提供服务。而 I/O 多路复用就是为了解决这个问题而出现的。
这里“多路”指的是多个网络连接，“复用”指的是复用同一个线程。采用多路 I/O 复用技术可以让单个线程高效的处理多个连接请求（尽量减少网络 IO 的时间消耗），Reactor的设计模式就是基于NIO。
I/O多路复用实际上就是用select, poll, epoll技术等监听多个io对象，当io对象有变化（有数据）的时候就通知用户进程。好处就是单个进程可以处理多个socket。

epoll与select/poll区别

sselect的本质是采用32个整数的32位，即3232= 1024来标识，fd值为1-1024。当fd的值超过1024限制时，就必须修改FD_SETSIZE的大小。这个时候就可以标识32max值范围的fd。
poll与select不同，通过一个pollfd数组向内核传递需要关注的事件，故没有描述符个数的限制，pollfd中的events字段和revents分别用于标示关注的事件和发生的事件，故pollfd数组只需要被初始化一次。
epoll 没有最大并发连接的限制；另外是效率提升， Epoll 最大的优点就在于它只管你“活跃”的连接 ，而跟连接总数无关；然后是内存拷贝， epoll在这点上使用了“共享内存 ”，这个内存拷贝也省略了。

select/poll的几大缺点

1、每次调用select/poll，都需要把fd集合用户态拷贝到内核态，这个开销在fd很多时会很大
2、同时每次调用select/poll都需要在内核遍历传递进来的所有fd，这个开销在fd很多时也很大
3、针对select支持的文件描述符数量太小了，默认是1024
4.select返回的是含有整个句柄的数组，应用程序需要遍历整个数组才能发现哪些句柄发生了事件；
5.select的触发方式是水平触发。（个人理解：如交易系统每笔交易会触发一次，一次就是把所有fd集合从用户态拷贝到内核态，所有表示select触发频率也很高）

用户态拷贝到内核态

操作系统的核心是内核，独立于普通的应用程序，可以访问受保护的内存空间，也有访问底层硬件设备的所有权限。为了保证用户进程不能直接操作内核（kernel），保证内核的安全，操心系统将虚拟空间划分为两部分，一部分为内核空间，一部分为用户空间。针对linux 32位操作系统而言，它的寻址空间（虚拟存储空间）为4G（2的32次方）,将最高的1G字节，供内核使用，称为内核空间，而将较低的3G字节，供各个进程使用，称为用户空间。

epoll IO多路复用模型实现机制

epoll通过在Linux内核中申请一个简易的文件系统(文件系统一般用什么数据结构实现？B+树)。把原先的select/poll调用分成了3个部分：

  1. 调用epoll_create()建立一个epoll对象(在epoll文件系统中为这个句柄对象分配资源)
  2. 调用epoll_ctl向epoll对象中添加这100万个连接的socket
  3. 调用epoll_wait收集发生的事件的连接（添加到一个双向链表里）
    如此一来，要实现上面说是的场景，只需要在进程启动时建立一个epoll对象，然后在需要的时候向这个epoll对象中添加或者删除连接。同时，epoll_wait的效率也非常高，因为调用epoll_wait时，并没有一股脑的向操作系统复制这100万个连接的句柄数据，内核也不需要去遍历全部的连接。

epoll 优势详解

  1. 不用重复传递。我们调用epoll_wait时就相当于以往调用select/poll，但是这时却不用传递socket句柄给内核，因为内核已经在epoll_ctl中拿到了要监控的句柄列表。
  2. 在内核里，一切皆文件。所以，epoll向内核注册了一个文件系统，用于存储上述的被监控socket。当你调用epoll_create时，就会在这个虚拟的epoll文件系统里创建一个file结点。当然这个file不是普通文件，它只服务于epoll。
    epoll在被内核初始化时（操作系统启动），同时会开辟出epoll自己的内核高速cache区，用于安置每一个我们想监控的socket，这些socket会以红黑树的形式保存在内核cache里，以支持快速的查找、插入、删除。这个内核高速cache区，就是建立连续的物理内存页，然后在之上建立slab层，简单的说，就是物理上分配好你想要的size的内存对象，每次使用时都是使用空闲的已分配好的对象。
    3.这是由于我们在调用epoll_create时，内核除了帮我们在epoll文件系统里建了个file结点，在内核cache里建了个红黑树用于存储以后epoll_ctl传来的socket外，还会再建立一个list链表，用于存储准备就绪的事件，当epoll_wait调用时，仅仅观察这个list链表里有没有数据即可。有数据就返回，没有数据就sleep，等到timeout时间到后即使链表没数据也返回。所以，epoll_wait非常高效。

底层实现

当某一进程调用epoll_create方法时，Linux内核会创建一个eventpoll结构体，这个结构体中有两个成员与epoll的使用方式密切相关。eventpoll结构体如下所示：
在这里插入图片描述
每一个epoll对象都有一个独立的eventpoll结构体，用于存放通过epoll_ctl方法向epoll对象中添加进来的事件。这些事件都会挂载在红黑树中，如此，重复添加的事件就可以通过红黑树而高效的识别出来(红黑树的插入时间效率是lgn，其中n为树的高度)。
而所有添加到epoll中的事件都会与设备(网卡)驱动程序建立回调关系，也就是说，当相应的事件发生时会调用这个回调方法。这个回调方法在内核中叫ep_poll_callback,它会将发生的事件添加到rdlist双链表中。
在epoll中，对于每一个事件，都会建立一个epitem结构体
在这里插入图片描述
当调用epoll_wait检查是否有事件发生时，只需要检查eventpoll对象中的rdlist双链表中是否有epitem元素即可。如果rdlist不为空，则把发生的事件复制到用户态，同时将事件数量返回给用户。
如此，一颗红黑树，一张准备就绪句柄链表，少量的内核cache，就帮我们解决了大并发下的socket处理问题。执行epoll_create时，创建了红黑树和就绪链表，执行epoll_ctl时，如果增加socket句柄，则检查在红黑树中是否存在，存在立即返回，不存在则添加到树干上，然后向内核注册回调函数，用于当中断事件来临时向准备就绪链表中插入数据。执行epoll_wait时立刻返回准备就绪链表里的数据即可。

总结

理解底层设计更有利用我们的工具的使用和维护，同时也能提升自身的系统设计水平。就像那么多牛逼的工程是基于nio设计实现的，要学习还有很多。

参考以下内容：
https://blog.youkuaiyun.com/wxy941011/article/details/80274233
https://www.cnblogs.com/zingp/p/6863170.html
https://blog.youkuaiyun.com/chenyao1994/article/details/79491337
https://blog.youkuaiyun.com/skiof007/article/details/52873421

收录于
Linux

当前文章被收录于：

Linux
6 篇文章 0 人学习
订阅专栏 查看详情
redis

当前文章被收录于：

redis
2 篇文章 0 人学习
订阅专栏 查看详情
标签
#redis为什么快 #单线程 #nio #epoll #设计原理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Redis IO多路复用技术以及epoll实现原理 redis 是一个单线程却性能非常好的内存数据库， 主要用来作为缓存系统。 redis 采用网络IO多路复用技术来保证在多连接的时候， 系统的高吞吐量。为什么 Redis 中要使用 I/O 多路复用这种技术呢？首先，Redis 是跑在单线程中的，所有的操作都是按照顺序线性执行的，但是由于读写操作等待用户输入或输出都是阻塞的，所以 I/O 操作在一般情况下往往不能直接返回，这会导致某一文件的 I/O... 阅读详情

相关推荐

Redis为什么比MYSQL快，理由不止单线程，深耕解析Redis底层结构

主要是基于几个方面，其中最重要的就是Redis底层的多路复用 1.Redis的读写是基于内存中的，相比数据库的读写是基于磁盘的，例如在数据库中数据是以树的形式存储的，每经过一个树节点即为一次IO操作，而Redis的读写不涉及磁盘，从操作上就比Mysql快了。 2.第二个方面，即数据结构方面。Redis存储数据是以K-V的形式存储，时间复杂度是O1，而Mysql的底层一般是B+树，时间复杂度是Ologn，所以相比Redis速度也没有它快。 3.第三个方面，也是比较片面的一个方面，即Redis是单线程操作的。

m0_67400972的博客 1582

epoll的实现用到mmap了吗？

epoll用到mmap了吗？

欢迎指正、交流 3510

Redis IO多路复用技术及epoll实现原理

10、Redis IO多路复用技术以及epoll实现原理 Redis是一个单线程的但性能是非常好的内存数据库，主要用来作为缓存系统。Redis采用网络IO多路复用技术来保证在多连接的时候，系统吞吐量高。 10.1 为什么Redis要使用IO多路复用 首先，Redis是跑在单线程中的，所有的操作都是顺序线性执行的，但是由于读写操作等待用户输入或者输出都是阻塞的，所以...

泷泷养的乔小胖 5190

图文详解 epoll 原理【Redis，Netty，Nginx实现高性能IO的核心原理】epoll 详解

【Redis，Netty，Nginx 等实现高性能IO的核心原理】 I/O 输入输出(input/output)的对象可以是文件(file)， 网络(socket)，进程之间的管道(pipe)。在linux系统中，都用文件描述符(fd)来表示。 I/O 多路复用(multiplexing) I/O 多路复用的本质，是通过一种机制(系统内核缓冲I/O数据)，让单个进程可以监视多个...

AI天才研究院 1万+

Redis单线程还是多线程？IO多路复用原理

Redis实战系列，打造精品专栏。

学Java，找哪吒 6689

（二）Linux Epoll模型.mmap

用思维导图的方式总结了Epoll模型，非常的好理解。文件需要用MindMange打开。

epoll详解

I/O多路复用有很多种实现。在linux上，2.4内核前主要是select和poll，自Linux 2.6内核正式引入epoll以来，epoll已经成为了目前实现高性能网络服务器的必备技术。尽管他们的使用方法不尽相同，但是本质上却没有什么区别。本文将重点探讨将放在EPOLL的实现与使用详解。 高并发的核心解决方案是1个线程处理所有连接的“等待消息准备好”，这一点上epoll和select是无争议的。但select预估错误了一件事，当数十万并发连接存在时，可能每一毫秒只有数百个活跃的连接，同时其余数

木牛的博客 2万+

R语言实战：5分钟搞定相加交互效应分析（逻辑回归/Cox回归/GLMM/GEE全支持）

本文详细介绍了如何利用R语言中的`scitable`包快速实现相加交互效应分析，支持逻辑回归、Cox回归、GLMM和GEE等多种模型。通过自动化计算RERI、AP和SI等指标，大幅提升临床研究和流行病学分析的效率与准确性，特别适合处理多因素联合作用的复杂场景。

fanta的博客 669

epoll源码解析翻译------说使用了mmap的都是骗子

本文地址 //https://www.cnblogs.com/l2017/p/10830391.html //https://blog.youkuaiyun.com/li_haoren select poll epoll这三个都是对poll机制的封装。 只是select跟poll傻了点 epoll里并没有找到mmap相关的代码。并没有用到内核态内存映射到用户态的技术。但这个技术是存在的。d...

dew0927的博客 1921

MIPI DPHY接口(基于Xilinx FPGA实现)案例分析

在Xilinx FPGA实现MIPI DPHY接口的案例（包括CIS协议层）。截止目前为止，Xilinx仅在Ultrascale+及其以上版本的FPGA IO可直接支持MIPI 电平输入，其他的，都需要转换成LVDS来接收。

ONEFPGA的博客 5624

基于Python实现学习进度跟踪系统

{{ task }}: {{ "%.1f"|format(hours) }}小时

寒寒豆豆软件公司的博客 195

【Redis核心原理篇2】Redis 单线程模型：为什么单线程还能这么快？

Redis单线程模型解析：高性能原理与优化实践 Redis采用单线程模型却能支持高并发请求，其核心在于事件循环和IO多路复用技术。单线程避免了多线程的上下文切换和锁竞争开销，特别适合内存操作占主导的场景。文章深入剖析了Redis单线程的工作原理，解释了其高效处理并发连接的机制，同时指出慢查询命令是导致单线程阻塞的主要原因。通过slowlog慢查询分析实战，展示了如何定位和优化性能问题。针对单线程的瓶颈，文章介绍了Redis 6.0+的多线程IO优化方案，以及集群扩展、持久化策略等优化方向。最后强调Redis

m0_58782205的博客 942

18｜AI 辅助精准测试：让平台会解释、会总结、会推荐

本文介绍 AI 在精准测试平台中的落地方式，包括变更摘要、风险解释、补测建议和报告总结。测试开发工程师。Java 后端开发工程师。质量平台 / DevOps 平台建设者。想了解精准测试落地方法的技术负责人。从报告中提取变更文件、未覆盖行、推荐用例。拼成结构化 JSON。让 AI 生成 200 字质量摘要。把摘要展示在报告顶部。读完本文后，可以复制下面的 Prompt，让 AI 生成一个报告总结练习。你是一名 AI 应用开发专家和测试架构师。

专注 AI 精准测试平台实战落地，分享从代码 Diff 到回归决策的完整工程闭环。主张“先建数据链路，再上 AI 智能”，让测试从“靠经验”走向“基于风险”。 55

Redis快的秘密，高性能设计epoll和IO多路复用探究

Redis快的原因，高性能设计epoll和IO多路复用探究

qq_63754844的博客 1473

【DRAM存储器一】基本存储单元、阵列结构、读写原理

详述DRAM存储器存储单元、存储阵列结构和读写原理

highman110的博客 7250

08 RK3568 MAC TO MAC直连 RTL8367S mdio

本文：采用rk3568 gamc0 通过rgmii直连 交换芯片的mac口 通信方法为mdio。

qq_39451352的博客 3474

Redis为什么是单线程及高并发快的原因详解

一、Redis的高并发和快速原因 1.redis是基于内存的，内存的读写速度非常快（纯内存）。 2.redis是单线程的，省去了很多上下文切换线程的时间（避免线程切换和竞态消耗）。 3.redis使用多路复用技术，可以处理并发的连接（非阻塞IO）。 非阻塞IO 内部实现采用epoll，采用了epoll+自己实现的简单的事件框架。epoll中的读、写、关闭、连接都转化成了事件，然后利用epo...

WorldMvp的专栏 7339

基于深度学习的柠檬等级检测系统 —— YOLOv8 + UI界面 + 数据集

本项目的目标是构建一个柠檬等级检测系统，通过深度学习模型自动检测柠檬的等级。自动检测柠檬等级：通过图像中的柠檬特征，自动判断其成熟度和质量。实时视频检测：通过摄像头实时监控柠檬的质量等级。用户友好的UI界面：为用户提供简洁直观的操作界面，支持图像上传、实时视频检测等功能。本项目展示了如何基于YOLOv8模型开发一个柠檬等级检测系统，结合PyQt5实现了用户友好的UI界面。通过该系统，用户可以快速上传柠檬图像并自动识别其等级，极大提升了检测效率和准确性。数据集的扩展。

YOLO 1111

Redis是单线程的，但为什么那么快？

通过先引入阻塞IO、非阻塞IO、IO多路复用实现的基本原理，再次引入redis基于多路IO和事件派发机制实现模型的原理，来讲解redis单线程，为什么那么快。

m0_37742400的博客 1491

OpenClaw Skill 开发全攻略｜2026 最新机制 + 文件处理实操，看完直接落地开发

很多新手刚接触时，会把 Skill 想得很复杂，其实大可不必。OpenClaw 中的每个 Skill，本质就是一套“能力描述 + 执行逻辑”的组合包，简单说就是“告诉 AI 你能做什么、怎么做，它就会调用你”，核心特征可以总结为这几点，好记又实用：核心载体：以文件夹为单位，不管多简单的 Skill，文件夹里都必须有 SKILL.md 文件——这是 AI 识别技能的唯一依据，少了它，再完善的代码也没用；

haolove527的专栏 7024

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")

redis工作原理；redis为什么这么快；redis单线程如何处理高并发；

引言 最近研究redis的相关底层知识，查阅了一些资料、博客，发现对于redis工作原理的说明不够用全面，同时针对“redis为什么这么快”的解答发现了一些问题。故基于这些文章结合自己的理解做了如下整理 redis工作原理 要聊redis的工作原理，那就要从工作流程出发，逐步分析： 1、首先redis采用了epoll I/O多路复用器：经过网络数据传输，大量的连接请求通过epoll接收并且监控，有数据的连接才放到redis中进行读写处理，所以首先就要聊聊epoll 2、请求数据进入到redis中后，redi

55555的博客 1488

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

Redis是单线程的，为什么还这么快？

Redis6之前所说的单线程指的是：只有网络请求模块和数据操作模块是单线程的。而其他的如持久化存储模块、集群支撑模块等是多线程的。 1、redis的单线程指的是什么？ Redis在处理客户端的请求时，包括获取 (socket 读)、解析、执行、内容返回 (socket 写) 等都由一个顺序串行的主线程处理，这就是所谓的“单线程”。但如果严格来讲从Redis4.0之后并不是单线程，除了主线程外，它也有后台线程在处理一些较为缓慢的操作，例如清理脏数据、无用连接的释放、大 key 的删除等等。 2、re.

michael的博客 734

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。

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

redis为什么快？

目录 一、Redis整体功能 二、Redis 为什么快？ 1、完全基于内存实现 2、高效的数据结构 3、单线程模型 4、I/O 多路复用模型 三、唯快不破的原理总结 一、Redis整体功能 全景图可以围绕两个纬度展开，分别是： 1、应用纬度 缓存使用、集群运用、数据结构的巧妙使用 2、系统纬度 可以归类为三高 高性能：线程模型、网络 IO 模型、数据结构、持久化机制； 高可用：主从复制、哨兵集群、Cluster 分片集群； 高拓展：负载均衡 二、Redis 为什么

大道至简，持之以恒！ 2731

简单理解redis epoll运行原理

文章目录I/O模型：BlockingIO（BIO）Non-blocking I/O(NIO)redis epoll为什么epoll快？就绪链表怎么维护？ redis 是一个单线程却性能非常好的内存数据库， 主要用来作为缓存系统。 redis 采用网络IO多路复用技术来保证在多连接的时候， 提高系统的高吞吐量。 Redis 是跑在单线程中的，所有的操作都是按照顺序线性执行的，但是由于读写操作等待用户输入或输出都是阻塞的，所以 I/O 操作在一般情况下往往不能直接返回，这会导致某一文件的 I/O 阻塞导致整个进

凹凸曼的博客 2570
上一篇： 大数据架构之Kappa
下一篇： Spark源码解析系列（一、任务提交）
点赞 5
评论 1
书签 书签 33
yyoc97
yyoc97
博客等级 码龄12年 272粉丝 91原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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