熱門Ptt文章

[爆卦]tuning調整是什麼？優點缺點精華區懶人包

雖然這篇tuning調整鄉民發文沒有被收入到精華區：在tuning調整這個話題中，我們另外找到其它相關的精選爆讚文章

在 tuning調整產品中有21篇Facebook貼文，粉絲數超過5萬的網紅軟體開發學習資訊分享，也在其Facebook貼文中提到， 🔥 NT330 特價中 課程已於 2021 年 8 月更新 學習資料科學、資料分析、機器學習(人工智慧)和 Python 與 Tensorflow、Pandas 和更多 ! 本課程的主題包括 : 資料探索與視覺化 神經網路和深度學習 模型評估與分析 Python 3 Tensorflow 2...

　同時也有34部Youtube影片，追蹤數超過1萬的網紅ピアノ調律師みきあつし，也在其Youtube影片中提到，☆みきあつしTwitter https://twitter.com/Micky_piano39 ☆浜松ピアノ店 HP https://www.hamamatsu-piano.co.jp/ ♪こちらもおすすめ ◯【ドッキリ】よみぃに一つだけ音が出ないドッキリをしかけてみた https://yo...

「tuning調整」的推薦目錄

tuning調整 在 皓嵐媽媽•柔烽 Instagram 的最佳貼文

2021-07-05 14:18:42

【❣️長文慎入，但想減肥嘅姐妹必須睇❣️】 我趴咗喺到做咩？😊其實就係做緊隔空溶脂~~ 唔知大家有無好似我咁經過疫情洗禮，體重比以前重咗over 10KG！！（真係太過份 T.T）為咗唔想再咁月巴落去，我好努力調整自己飲食習慣，每星期做適量運動。但再點努力都發現暴漲咗嘅麒麟臂ss好難減😭，所以我決定...

  • 軟體開發學習資訊分享

    tuning調整 在 軟體開發學習資訊分享 Facebook 的最佳貼文

    2021-08-10 18:02:08
    有 2 人按讚

    🔥 NT330 特價中

    課程已於 2021 年 8 月更新

    學習資料科學、資料分析、機器學習(人工智慧)和 Python 與 Tensorflow、Pandas 和更多 !

    本課程的主題包括 :

    資料探索與視覺化
    神經網路和深度學習
    模型評估與分析
    Python 3
    Tensorflow 2.0
    Numpy
    Scikit-Learn
    資料科學與機器學習專案和工作流程
    在 Python 用 MatPlotLib 和 Seaborn 做資料視覺化
    轉移學習( Transfer Learning )
    影像辨識和分類
    訓練/測試並交叉驗證
    監督學習 : 分類、迴歸和時間序列
    決策樹和隨機森林
    整體學習( Ensemble Learning )
    調整超參數( Hyperparameter Tuning )
    採用 Pandas 資料框解決複雜任務
    採用 Pandas 處理 CSV 檔
    採用 TensorFlow 2.0 和 Keras深度學習 / 神經網路
    使用 Kaggle 並進入機器學習競賽
    如何呈現你的發現並讓你的老闆印象深刻
    如何為你的分析清理並準備你的資料
    K 最近鄰( K Nearest Neighbours )
    支援向量機( Vector Machines )
    迴歸分析( Linear Regression/Polynomial Regression )
    如何運用 Hadoop、Apache Spark、Kafka 和 Apache Flink
    如何用 Conda、MiniConda 和Jupyter Notebooks 設定你的環境
    配合 Google Colab 採用 GPUs

    https://softnshare.com/complete-machine-learning-and-data-science-zero-to-mastery/

  • tuning調整 在 Facebook 的最佳解答

    2021-07-24 06:00:57
    有 78 人按讚

    【力量訓練的「訓練量」該如何設定？】

    跑者的訓練量俗稱「跑量」，單位是「公里」，所以月跑量三百是指一個月總訓練距離300公里。在力量訓練圈的「訓練量」（Training Volume）常是「總反覆次數」 （Total Repetition）的同義詞；而「月總量」就是指一個月的總反覆次數，像我們會建議初跑者的月跑量最好不要超過100公里一樣，在做重訓時，有沒有一個區間可以讓大家參考呢？下面是《The System》的作者群建議：

    #以下為譯文：
    以剛接觸訓練的新手來說，月總量最好從750次（總反覆次數）開始；而菁英運動員的上限設在1,600次。在前蘇聯時代，我們親眼看到他們運動員以更高的月總量進行訓練。然而，我們後來也發現這跟他們使用加強運動表現的補給品有關，那使運動員能更快恢復。

    總反覆次數是指在單一個週期中（這裡是指中週期）所有基本力量動作重複次數的總合。因此總反覆次數750的意思是在不同的訓練強度與動作中總共累計的次數，但這個數字不包括輔助訓練的動作。

    從帳面上來看，750這個數字分配到一個月十二到十六次課表當中，看起來似乎很小，但我們這們所定的750這個數字比較像是「基本量」，而非下限，如果總反覆次數低於750下，就不會為運動員的成長帶來實質的影響。表 4.14 中的數值並不是意味著高水平或菁英運動員在四週內的總反覆次數永遠不會有低於1,000次情況發生，那只是維持成長的基本量。對運動員的恢復能力影響最大的是訓練量，因此這些範圍中比較需要注意的是上限的數值。若月總量超過上限值，恢復能力將快速到受到侵害，而且侵害的速度比任何其他因素都快。

    一位菁英水準的運動員可以在一個月的時間裡完成1,000次以下的訓練，就算在恢復期也經常發生。然而，訓練新手若超過1,000次的上限，大都要承擔受傷或嚴重過度訓練的風險。

    許多教練擔心他們的運動員練不夠，所以無法有效獲得力量和爆發力的進步。他們不想因為目標定得太低而有所保留，這讓他們感覺是「浪費」了一個月的訓練時間。剛開始採用這個方法來訓練時有這種感覺很自然，我們系統中的每一位教練也都曾經歷過相同的掙扎。

    美國的力量教練已經把「訓練要用盡全力」當作一種信念，訓練完還有餘力好像就會覺得不夠認真。但請相信我們。我們說的方法很少失敗，也幾乎沒有過度訓練的風險，這些區間已被證明能最有效地幫助運動員進步。

    在調整運動員的訓練量時，需要考慮到他們的技巧、經驗、過去的醫療史、訓練史、性別、實際年齡與訓練年齡。

    我們過去的慘痛教訓可以讓你少走許多彎路。當你在訓練量的拿捏上猶豫不決時，原則是寧少勿多。寧可因量太少沒進步，也不要犯下過量訓練的錯誤。

    總訓練量不包括輔助訓練或是特別針對「局部效果」的練習次數。那些動作主要是為了強化特定肌肉或是使全身力量動作能做得更好的輔助性訓練，所以我們不會把它們算在總訓練量中。
    最受我們重視的力量訓練動作不只對身體的負擔很大，技術要求也很高；正因如此，我們才會嚴格限制訓練量。

    雖然輔助訓練不會被計算在總訓練量裡，但你不要因此失控，開始加練很多你想練的輔助動作。永遠記住：效率第一。

    #原文如下
    The absolute floor of volume for a novice athlete is 750 total exercise repetitions per month, and the ceiling for the elite athlete is 1,600 total reps. During our time in the former Soviet Republics, we witnessed athletes performing even higher monthly training volumes. However, as we found later, that was often with the benefit of performance-enhancing substances that allowed for more rapid recovery.

    In a single cycle, the total number of repetitions pertains to all exercises performed in the key movements. This means 750 total repetitions are spread between the different exercises among the range of training intensities we want to emphasize.

    On the surface, these can seem like small numbers when we consider they may be spread out over 12 to 16 training sessions. That 750-rep total is really more like the basement rather than the floor of total volume—any less than 750 will not budge the needle on gains. That does not mean advanced or elite-level athletes will not have cycles that dip below 1,000 reps. These ranges should be more prescriptive of the ceiling of higher volumes to avoid exceeding. Pushing monthly volume beyond these ranges erodes recovery more rapidly than any other factor.

    An elite-level athlete can use a month with a total volume of under 1,000 reps, as will often be the case when returning to training. However, a novice athlete can rarely exceed the 1,000-rep ceiling without risking an injury or a significant overtraining effect.

    Many coaches worry their athletes will not do enough work to promote gains in strength and power. They do not want to “waste” a month by aiming too low on total volume and leaving some gains in the tank. That is a natural feeling when adopting this method, and each of us went through the same mental struggle.

    Strength coaches in America are not hard-wired to accept less than maximum. However, trust us when we say that without fail, these ranges have proven to be the most effective in generating progress with almost no risk of overtraining.

    Fine-tuning where your athletes fall in a volume range takes skill, experience, and consideration of their medical and training history, biological and training age, and gender.
    The bloody trail of our mistakes can save you a lot of added stress: When in doubt, it is always better to err on the side of less volume than too much.

    The total volume number does not include accessory work or exercises of “local effect.” Those exercises are more targeted muscle strengthening or exercises to support the main movements.

    We are mainly concerned about the most physically taxing exercises that demand more of an athlete’s attention to technique—hence, the volume restrictions.

    Although the accessory work is not included in the volume calculations, you still cannot go wild, adding as much as you want. Always remember this: efficiency first.
    (以上摘錄自原文第132~133)
    --
    若有發現翻譯不到位或有問題的地方，非常歡迎也希望各界指正！

  • 矽谷牛的耕田筆記

    tuning調整 在 矽谷牛的耕田筆記 Facebook 的精選貼文

    2021-06-18 08:00:07
    有 48 人按讚

    本文延續前篇效能校正的經驗談，上篇文章探討了關於系統呼叫, iptables 可以最佳化的部分，。本篇文章將繼續剩下最佳化步驟的探討。

    Perfect Locality
    預設情況下， Linux Kernel 會盡量平均地將請求給分配到所有的處理佇列，譬如 network queues, processes, CPUS. 大部分情況下這種機制運作良好不會有太多問題，不過如果今天要追求的不單單只是好的效能，而是極致的效能，則 locality 這個概念就要特別的去注意。

    這篇文章中提到很多不同的方式，包含了 CPU Pinning, Receive Side Scaling(RSS), Transmit Packet Sterring(XPS)等，其實用比較簡單的介紹方式就是，希望可以使用固定的 CPU 來處理一條連線上的所有封包(進出)，這樣帶來的好處有
    1. CPU Cache 可以盡可能的去使用，減少各種 miss 產生的成本
    2. 減少 context switch 帶來的成本
    3. 減少跨 CPU 之間交換資料帶來的成本
    4. 減少 lock 之間帶來的成本
    除了 CPU Pin, RSS, XPS 外，還有 irqbalance, smp_affinity_list 等相關的概念需要一併學習，對於這個概念有興趣的讀者非常歡迎去找尋這類型的資料

    接者是 SO_REUSEPORT 這個參數，創建 Socket 時使用這個參數能夠使得多個 Process 共用一個連接埠，底層 Kernel 會針對 src/dst{ip/port} 來產生對應的 Hash，並且決定當前封包要送給哪一個 Process。
    這個方式搭配前述各種 CPU Pin, 中斷的最佳化則會遇到問題，因為可能底層將該封包送到 CPU2 結果這個函式又把封包重新分配到 CPU0, 這樣就導致該連線要跨 CPU 處理了。
    為了解決這個問題， Linux Kernel 4.6 後有新的參數 SO_ATTACH_REUSEPORT_CBPF，使用者可以自行撰寫 BPF 的程式來決定如何分配封包。作者根據這過想法撰寫了一個 BPF 的程式，來確保這個機制可以與前述的最佳化穩定運作。

    這次的最佳化帶來的 38% 的成長，這時候的封包處理能力從 603k req/s 提升到 834k req/s
    原文中關於這次的最佳化還有一些後續探討，有興趣的可以閱讀

    Interrupt Optimizations

    當封包透過網路送到網卡後，網卡必須要通知 OS 讓它知道有封包來了，要記得處理。一切處理完畢後網卡就可以繼續等待新的封包過來並且再次發送中斷給 OS 處理封包。這個流程大部分情況也是運作良好，不過當有大量的封包不停傳送來時，頻繁的中斷其實也是會造成不小的額外成本。

    為了解決這個問題，目前比較嶄新的網卡都有支援中斷聚合等功能，透過這個功能可以延後中斷一個小週期，而該週期內收到的所有封包只需要透過一次的中斷就可以來處理，藉此降低中斷的次數。更為進階的網卡甚至支援動態自行調整該週期的時間，譬如當網路空閒時，減少週期使得每個封包能夠盡快的發送中斷被處理，而當網路流量很大時則會加大該該週期時間來更有效地處理封包。

    註: AWS ENA 有支持這種動態調整的機制

    作者基於 AWS 開啟動態調整收端中斷時間的功能，整個效能提升了 14%，從 834k req/s 提升到 955k req/s。作者說這次的調整可以說是整篇文章中幾個非常強的改動，改動的地方少，效能提升明顯，同時背後的隱憂與限制也少。

    除了上述中斷的方式外，另外一種則是透過 Busy Polling 這種針對低延遲性的方式。預設情況下其允訓設定為 blocked 的 socket 能夠消耗額外的 CPU Cycle 來讀取接下來的封包，可以將其想成一成一種混合體，當底層網卡告訴我有資料要讀取時，我預期接下來還會有更多的資料，因此我就透過輪詢的方式去多問幾個封包。

    由於作者的應用程式是使用 non-blocking 的方式去讀寫封包，所以預設的方式是沒有辦法使用的。而該應用程式又是使用 epoll 來進行底層封包的讀寫。 epoll 於 kenel 4.12 後正式支援 busy polling 的方式，所以這部分就沒有太大的問題。文章中有滿多關於 busy_poll 的一些參數調整。

    將這兩個機制給整合後，整體的效能提升達到 28%，從 834k req/s 到達 1060k req/s，同時 99%的 latency 也從 361μs 下降到 292μs.

    同時這兩個機制導入後，整個系統每秒產生的硬體中斷數量也從 183k 降到 16k。 Context switches 的數字也從 6k 下降到 1k 左右。

    下篇文章會繼續從剩下的三個最佳化策略繼續介紹

    https://talawah.io/blog/extreme-http-performance-tuning-one-point-two-million/

你可能也想看看

搜尋相關網站