- 综合排序
- 最热优先
- 最新优先
- 来自专栏Rice嵌入式
调试神器--Rlog
rlog日志等级输出带函数名开关 RLOG_LINE_ENABLE rlog日志等级输出带行号开关 RLOG_LINE_BUFF_LEN rlog每一条日志最大长度 RLOG_LINE_NUM_SIZE rlog日志等级输出行号的最大长度 RLOG_NEWLINE_SIGN rlog日志换行符格式 RLOG_ASSERT_ENABLE rlog使用assert功能 RLOG_PRINT(...) rlog rlog日志等级输出带颜色开关 rlog_level_fmt_set rlog日志等级输出格式设置，RLOG_FMT_LVL/RLOG_FMT_TAG/RLOG_FMT_TIME/RLOG_FMT_DIR /RLOG_FMT_FUNC/RLOG_FMT_LINE rlog_level_fmt_get rlog日志等级输出格式获取 rlog_level_filter_set rlog日志等级输出过滤设置 ，如端点插件去初始化 rlog_lock rlog日志锁，为rlog提供线程安全 rlog_unlock rlog日志解锁，为rlog提供线程安全 rlog_get_time rlog日志提供时间 rlog_output
56920编辑于 2023-09-02 - 来自专栏码匠的流水账
聊聊rocketmq-client-go的pushConsumer
= nil { rlog.Error("the consumer group has been created, specify another one", map[string ]interface{}{ rlog.LogKeyConsumerGroup: pc.consumerGroup, }) ", map[string]interface{}{ rlog.LogKeyConsumerGroup: pc.consumerGroup, }) = nil { rlog.Warning("consumer state error", map[string]interface{}{ rlog.LogKeyUnderlayError rlog.LogKeyBroker: brokerResult.BrokerAddr, rlog.LogKeyUnderlayError: err.Error
72120发布于 2020-07-16 - 来自专栏EMQ 物联网
Mria + RLOG 新架构下的 EMQX 5.0 如何实现 1 亿 MQTT 连接
出于性能方面的考虑，不相干数据的复制可以被分成独立的数据流，即多个相关的数据表可以被分配到同一个 RLOG Shard（复制日志分片），顺序地把事务从 Core 节点复制到 Replicant 节点。 但不同的 RLOG Shard 之间是异步的。 /bin/emqx eval mria_rlog:status(). 可以获取关于 Mria 数据库运行状态的更多信息。
1.8K82编辑于 2022-07-21 - 来自专栏码匠的流水账
聊聊rocketmq-client-go的pushConsumer
= nil { rlog.Error("the consumer group has been created, specify another one", map[string ]interface{}{ rlog.LogKeyConsumerGroup: pc.consumerGroup, }) ", map[string]interface{}{ rlog.LogKeyConsumerGroup: pc.consumerGroup, }) = nil { rlog.Warning("consumer state error", map[string]interface{}{ rlog.LogKeyUnderlayError rlog.LogKeyBroker: brokerResult.BrokerAddr, rlog.LogKeyUnderlayError: err.Error
1.4K00发布于 2020-07-10 - 来自专栏码匠的流水账
聊聊rocketmq-client-go的strategy
find { rlog.Warning("[BUG] ConsumerId not in cidAll", map[string]interface{}{ rlog.LogKeyConsumerGroup find { rlog.Warning("[BUG] ConsumerId not in cidAll", map[string]interface{}{ rlog.LogKeyConsumerGroup find { rlog.Warning("[BUG] ConsumerId not in cidAll", map[string]interface{}{ = nil { rlog.Warning("[BUG] AllocateByConsistentHash err: %s", map[string]interface{} { rlog.LogKeyUnderlayError: err, }) } if
53400发布于 2020-07-13 - 来自专栏码匠的流水账
聊聊rocketmq-client-go的strategy
find { rlog.Warning("[BUG] ConsumerId not in cidAll", map[string]interface{}{ rlog.LogKeyConsumerGroup find { rlog.Warning("[BUG] ConsumerId not in cidAll", map[string]interface{}{ rlog.LogKeyConsumerGroup find { rlog.Warning("[BUG] ConsumerId not in cidAll", map[string]interface{}{ = nil { rlog.Warning("[BUG] AllocateByConsistentHash err: %s", map[string]interface{} { rlog.LogKeyUnderlayError: err, }) } if
44930发布于 2020-07-16 - 来自专栏码匠的流水账
聊聊rocketmq-client-go的localFileOffsetStore
= nil { rlog.Info("read from local store error, try to use bak file", map[string]interface{}{ rlog.LogKeyUnderlayError: err, }) data, err = utils.FileReadAll(filepath.Join = nil { rlog.Info("read from local store bak file error", map[string]interface{}{ rlog.LogKeyUnderlayError: err, }) return } datas := make(map[MessageQueueKey] ": local.path, rlog.LogKeyUnderlayError: err.Error(), }) return
54000发布于 2020-07-11 - 来自专栏码匠的流水账
聊聊rocketmq-client-go的localFileOffsetStore
= nil { rlog.Info("read from local store error, try to use bak file", map[string]interface{}{ rlog.LogKeyUnderlayError: err, }) data, err = utils.FileReadAll(filepath.Join = nil { rlog.Info("read from local store bak file error", map[string]interface{}{ rlog.LogKeyUnderlayError: err, }) return } datas := make(map[MessageQueueKey] ": local.path, rlog.LogKeyUnderlayError: err.Error(), }) return
41020发布于 2020-07-16 - 来自专栏生信修炼手册
采用DESeq2对表达量进行PCA和聚类分析
针对这一问题，DESeq2提出了两种count值的转换算法，rlog和VST转换。 1. rlog 转换 rlog 转换的用法如下 rld <- rlog(dds) 2. 利用DESeq2提供的示例数据pasilla，分别用原始的count, 归一化之后的count, rlog, vst 转换的count 进行PCA分析，代码如下 dds <- estimateSizeFactors (dds, normalized=TRUE), colData=colData(dds)) vsd <- vst(dds) rld <- rlog rlog转换之后的结果如下 ? 可以很明显看出，原始的count和归一化之后的count, 其PCA图是杂乱无序的，没什么明显规律，而VST和rlog转换之后，生物学重复之间更佳的接近，不同分组也区分的较为明显。
7.9K10发布于 2020-05-08 - 来自专栏码匠的流水账
聊聊rocketmq-client-go的remoteBrokerOffsetStore
rlog.LogKeyConsumerGroup: r.group, rlog.LogKeyMessageQueue: mq.String(), rlog.LogKeyUnderlayError: err.Error(), "offset": off, }) rlog.LogKeyConsumerGroup: r.group, rlog.LogKeyMessageQueue: mq.String(), ("delete mq from offset table", map[string]interface{}{ rlog.LogKeyMessageQueue: mq, }) } = nil { rlog.Error("fecth offset of mq error", map[string]interface{}{ rlog.LogKeyMessageQueue
37520发布于 2020-07-16 - 来自专栏码匠的流水账
聊聊rocketmq-client-go的remoteBrokerOffsetStore
rlog.LogKeyConsumerGroup: r.group, rlog.LogKeyMessageQueue: mq.String(), rlog.LogKeyUnderlayError: err.Error(), "offset": off, }) rlog.LogKeyConsumerGroup: r.group, rlog.LogKeyMessageQueue: mq.String(), ("delete mq from offset table", map[string]interface{}{ rlog.LogKeyMessageQueue: mq, }) } = nil { rlog.Error("fecth offset of mq error", map[string]interface{}{ rlog.LogKeyMessageQueue
1.1K00发布于 2020-07-12 - 来自专栏数据科学（冷冻工厂）
RNA-seq 保姆教程：差异表达分析（二）
PCA # 将所有样本转换为 rlog ddsMat_rlog <- rlog(ddsMat, blind = FALSE) # 按列变量绘制 PCA plotPCA(ddsMat_rlog, intgroup Heatmap # 将所有样本转换为 rlog ddsMat_rlog <- rlog(ddsMat, blind = FALSE) # 收集30个显著基因，制作矩阵 mat <- assay(ddsMat_rlog annotation_col = data.frame( Group = factor(colData(ddsMat_rlog)$Group), Replicate = factor(colData (ddsMat_rlog)$Replicate), row.names = colData(ddsMat_rlog)$sampleid ) # 指定要用来注释列的颜色。 单基因图 # 将所有样本转换为 rlog ddsMat_rlog <- rlog(ddsMat, blind = FALSE) # 获得最高表达的基因 top_gene <- rownames(results
1.5K30编辑于 2023-02-27 - 来自专栏数据科学（冷冻工厂）
RNA-seq 详细教程：样本质控（6）
使用 rlog的优势：因此，DESeq2 提供了正则化对数转换，或简称为 rlog。对于计数高的基因，rlog 转换与普通的 log2 转换差别不大。 这样做是为了使 rlog 转换后的数据近似同方差。 DESeq2 建议大型数据集（100 个样本）使用方差稳定变换 (vst) 而不是 rlog 来进行计数变换，因为 rlog 函数可能需要运行很长时间，而 vst() 函数在类似情况下更快。3. # rlog 转换rld <- rlog(dds, blind=TRUE)blind=TRUE 参数是为了确保 rlog() 函数不考虑我们的样本组——即以无偏见的方式进行转换。 此外，它直接将 rlog 对象作为输入，从而省去了我们从中提取相关信息的麻烦。
2.4K41编辑于 2023-01-29 - 来自专栏数据科学（冷冻工厂）
RNA-seq 差异分析的细节详解 (6)
一种基于方差稳定化转换（VST）的概念，另一种是正则化对数（rlog），它考虑了样本差异的先验信息。这两种转换都能得到在 log₂ 尺度上的数据，且这些数据已经根据文库大小等归一化因素进行了调整。 对于大约 20 个样本，在新创建的 DESeqDataSet 上，rlog 大概要 30 秒，vst 不到 1 秒。 正则化对数转换 rlog 函数的意思是正则化对数，它通过拟合一个模型来把原始的计数数据转换到 log₂ 尺度。这个模型包含每个样本的项，还有从数据中估计出来的系数的先验分布。 通常低计数的基因离散度高，所以这些基因在 rlog 转换中收缩得更厉害。 得注意的是，qij 表示在把大小因子 sj 除掉后均值 μij 的一部分，这就说明 rlog 转换本身就能考虑到测序深度的不同。
50110编辑于 2025-01-13 - 来自专栏数据科学（冷冻工厂）
RNA-seq 详细教程：样本质控（6）
使用 rlog的优势： 因此，DESeq2 提供了正则化对数转换，或简称为 rlog。对于计数高的基因，rlog 转换与普通的 log2 转换差别不大。 这样做是为了使 rlog 转换后的数据近似同方差。 ★DESeq2 建议大型数据集（100 个样本）使用方差稳定变换 (vst) 而不是 rlog 来进行计数变换，因为 rlog 函数可能需要运行很长时间，而 vst() 函数在类似情况下更快。 ” # rlog 转换 rld <- rlog(dds, blind=TRUE) blind=TRUE 参数是为了确保 rlog() 函数不考虑我们的样本组——即以无偏见的方式进行转换。 此外，它直接将 rlog 对象作为输入，从而省去了我们从中提取相关信息的麻烦。
1.3K30编辑于 2023-02-27 - 来自专栏优雅R
跟着存档教程动手学RNAseq分析（四）：使用DESeq2进行DE分析的QC方法
img 注意:DESeq2文档建议大数据集（100个样本）使用方差稳定转换(vst)而不是rlog来进行计数转换，因为rlog函数可能运行太长时间，而vst()函数具有与rlog相似的属性，速度更快。 使用rlog转换标准化计数 为了改进PCA和分层聚类可视化方法的距离/聚类，我们需要通过对标准化计数应用rlog变换来调节均值方差。 在质量评估期间，标准化计数的rlog转换仅对这些可视化方法是必要的。我们不会在下游使用这些标准计数。 rlog函数返回一个DESeqTransform对象，另一种特定的DESeq的对象类型。你不只是得到一个转换后的值的矩阵的原因是，计算rlog转换的所有参数(即大小因子)都存储在该对象中。 此外，它直接将rlog对象作为输入，从而省去了从其中提取相关信息的麻烦。
2.5K10编辑于 2022-06-27 - 来自专栏单细胞天地
DESeq2差异表达分析(二)
DESeq2使用中位数比率法进行计数归一化，并对样本级QC的归一化计数进行regularized log transform(rlog)，因为它缓和了平均值之间的方差，从而改善聚集性。 ? 注意 : DESeq2 vignette 建议大型数据集(100个样本)使用variance-stabilizing transformation (VST)而不是rlog来转换计数，因为rlog函数运行时间可能太长 ，而且 vst() 函数运行速度更快，其属性与rlog相似。 (https://hbctraining.github.io/DGE_workshop_salmon/schedule/) 我们可以从DESeq2运行 rlog() 函数来归一化和rlog转换原始计数。 # # Remove samples without replicates # cluster_rlog <- cluster_rlog[, -1]
7.2K52发布于 2020-12-24 - 来自专栏码匠的流水账
聊聊rocketmq-client-go的transactionProducer
= nil { rlog.Error("send ReqENDTransaction to broker error", map[string]interface{}{ callback.Addr.String(), "request": req.String(), rlog.LogKeyUnderlayError : err, }) } default: rlog.Error(fmt.Sprintf("unknown = primitive.CommitMessageState { rlog.Error("executeLocalTransaction but state unexpected
74800发布于 2020-07-06 - 来自专栏数据科学（冷冻工厂）
RNA-seq 详细教程：似然比检验（13）
在我们开始聚类之前，我们将首先对我们的 rlog 转换归一化计数进行子集化，以仅保留差异表达的基因 (padj < 0.05)。 classroom demo purposes)clustering_sig_genes <- sigLRT_genes %>% arrange(padj) %>% head(n=1000)# Obtain rlog values for those significant genescluster_rlog <- rld_mat[clustering_sig_genes$gene, ]重要基因的 rlog 转换计数与一些附加参数一起输入到 from the 'DEGreport' package to show gene clusters across sample groupsclusters <- degPatterns(cluster_rlog
96640编辑于 2023-01-29 - 来自专栏文献分享及代码学习
单细胞代码解析-妇科癌症单细胞转录组及染色质可及性分析19
meta=colnames(rna.pseudobulk)),design = ~ 1)dds.rna <- estimateSizeFactors(dds.rna)sizeFactors(dds.rna)rlog.rna <- rlog(dds.rna,blind = T)saveRDS(dds.rna,"dds_rna.rds")saveRDS(rlog.rna,"rlog_rna.rds")############ <- rlog(dds.atac,blind = T)saveRDS(rlog.atac,"rlog_atac.rds")saveRDS(dds.atac,"dds_atac.rds")rlog.rna <- readRDS("rlog_rna.rds")rlog.atac <- readRDS("rlog_atac.rds")##################################### ########### Subset and reorder motif matrix, peak matrix and expression matrixenhancer.mat <- assay(rlog.atac
57630编辑于 2022-09-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号