4-6 R语言函数 排序

#sort:对向量进行排序;返回排好序的内容 #order:返回排好序的内容的下标/多个排序标准 > x <- data.frame(v1=1:5,v2=c(10,7,9,6,8),v3=11:15,v4=c(1,1,2,2,1)) > sort(x$v2) [1] 6 7 8 9 10 > sort(x$v2,decreasing = TRUE) [1] 10 9 8 7 6 > order(x$v2) [1] 4 2 5 3 1 > x[order(x$v2),] v1 v

《代码整洁之道》笔记（4-6章节）

个人认为注释还是要写，算是对代码的中文翻译，因为我们的英语水平，命名习惯各不相同。

支持移动GPU、推断速度提升4-6倍

TensorFlow用于移动设备的框架TensorFlow Lite发布重大更新，支持开发者使用手机等移动设备的GPU来提高模型推断速度。

手眼标定问题排查_圆网格数据排查

经过昨天晚上的调试，发现了一个主要问题：使用圆网格标定板标定时，不能使用cornerSubPix()函数，否则寻找角点时，会导致图一的情况(裁剪为30万像素)。就找到能参考的程序，推进还是很快的。

支持移动GPU、推断速度提升4-6倍

虽然移动设备的处理能力和功率都有限。虽然TensorFlow Lite提供了不少的加速途径，比如将机器学习模型转换成定点模型，但总是会在模型的性能或精度上做出让步。

JAVA死锁排查-性能测试问题排查思路

Java发生死锁的根本原因是：在申请锁时发生了交叉闭环申请。即线程在获得了锁A并且没有释放的情况下去申请锁B，这时，另一个线程已经获得了锁B，在释放锁B之前又要先获得锁A，因此闭环发生，陷入死锁循环。

线上问题排查一接口拒绝连接排查思路

排查思路： 检查目标服务器防火墙配置，开启目标端口，重启防火墙 检查目标服务器服务状态 解决过程： 查看服务器调用者日志，当出现接口拒绝连接时，可参考以下方案： 使用ping IP命令查看目标服务器是否宕机

堆栈溢出排查

-XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=/home/d5000/eas/easDmSync/heapdump.hprof

死锁问题排查

既然已知道异常服务，那可以从这里入手进行分析，又与同事沟通一番，确定了与该服务相关的一些后台模块，接下来重点排查这些模块。 排查方法 日志中出现了sync.

JVM排查定位

排查总结 7.1 CPU过高 top P M X 找到占用高的进程id top -Hp pid 找到占用高的线程nid，转换16进制，（printf '%x\n' pid） jstack pid 来查看线程的详细信息 自动设置的快照-XX：-XX：+HeadDumpOnOutOfMemoryError 用分析工具分析：查看哪个类和实例数过大，本来就定位线程了，只需看该线程的对象信息即可 7.3 死锁 直接JConsole排查死锁

centos磁盘排查

今天发现服务器磁盘满了，使用du命令排查，首先找到根目录 du -h --max-depth=1 / 然后发现/usr下面最大，接着找/usr目录下 du -h --max-depth=1 /usr 发现/usr/local目录最大，我们挨个排查下去，发现是jpom的历史构建产物占用空间太多，去Jpom里删除就好了

线上问题排查

jmap -histo pid | sort -n -r -k 2 | head -10

【排查进程占用】

排查进程占用 C:\Users\>taskkill /PID 51560 /F 错误: 无法终止 PID 为 51560 的进程。 原因: 拒绝访问。

Etcd 故障排查

排查挖矿病毒

排查分析 经top 查看原来是一个叫269 的进程一直抢占CPU，占比高达4000%。而该269 进程则是挖矿病毒进行高度伪装，即使是kill 掉该进程也无济于事，后面又会自动跑起来。 ；比如269； 2、kill 掉该挖矿进程；sudo kill -9 48124； 3、通过关键词查找挖矿病毒，一般在/tmp 目录底下，如果不清楚查找，直接删除/tmp 目录底下的所有文件； 4、要排查和删掉相关的定时脚本

Redis Bigkey排查

当发现 Redis 变慢了，可以通过下面的 checklist 来排查问题： 使用复杂度过高的命令或一次查询全量数据； 操作 bigkey； 大量 key 集中过期； 内存达到 maxmemory； 客户端使用短连接和

Linux日志排查

因为懒，很多时候排查问题起来太依赖可视化工具了，就导致很多Linux命令忘记了。

jvm异常排查

机器学习入门 4-6 网格搜索与k近邻算法中更多超参数

本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍使用sklearn网格搜索寻找最好的超参数以及kNN计算两个数据点距离的其他距离定义。

15非监督学习异常检测4-6构建与评价异常检测系统

Note 对于异常检测问题而言，样本数据集往往是倾斜的，即 标记为 1 异常的数据往往很少，而标记为 0 即正常的数据往往很多 此时使用准确率等方法来进行判断一个模型的好坏往往是不合适的，所以通过 查准率和查全率以及 F1 分数能够很好的分析和判断这个问题