metrics

矩阵中每一行是一个样本，计算两个矩阵样本之间的距离，即成对距离（pair-wise distances），可以采用 sklearn 或 scipy 中的函数，方便计算。 sklearn: sklearn.metrics.pairwise_distances scipy: scipy.spatial.distance_matrix （用于 p-norm） 或 scipy.spatial.distance.cdist （所有常用距离 metrics） 比较三者的运行时间：（都计算欧式距离） import numpy as np from sklearn.metrics import pairwise_distances from scipy.spatial import distance_matrix from scipy.spatial.distance import cdist # 10-dimensional features x = np.random.rand(400000).reshape((-1, 10)) y = np.random.rand(45000).reshape((-1, 10)) def option1(): dists = pairwise_distances(x, y) def option2(): dists = distance_matrix(x,

文章首发于公众号《程序员果果》 地址 : https://mp.weixin.qq.com/s/BjZyNcWEgflJMnjfceiluw 简介 Prometheus 是一套开源的系统监控报警框架。它启发于 Google 的 borgmon 监控系统，由工作在 SoundCloud 的 google 前员工在 2012 年创建，作为社区开源项目进行开发，并于 2015 年正式发布。 特点 作为新一代的监控框架，Prometheus 具有以下特点： 强大的多维度数据模型： 时间序列数据通过 metric 名和键值对来区分。 所有的 metrics 都可以设置任意的多维标签。 数据模型更随意，不需要刻意设置为以点分隔的字符串。 可以对数据模型进行聚合，切割和切片操作。 支持双精度浮点类型，标签可以设为全 unicode。 灵活而强大的查询语句（PromQL）：在同一个查询语句，可以对多个 metrics 进行乘法、加法、连接、取分数位等操作。 易于管理： Prometheus server 是一个单独的二进制文件，可直接在本地工作，不依赖于分布式存储。 高效：平均每个采样点仅占 3.5 bytes，且一个 Prometheus server 可以处理数百万的 metrics。 使用 pull 模式采集时间序列数据，这样不仅有利于本机测试而且可以避免有问题的服务器推送坏的

从零开始搭建内网高可用k8s集群 前言 前期准备 服务器硬件准备 服务器软件准备 第一步-搭建内网yum仓库 root@test： root@node2: root@master1, master2, node1 第二步-搭建内网harbor服务器 root@test: root@ALL: root@node2: 第三步-在master1，master2节点上搭建haproxy+keepalived框架 root@master1，master2: 第四步-部署k8s集群 root@master1： root@master2： root@node1，node2： 第五步-部署dashboard root@master1: 第六步-搭建ceph root@ALL: myceph@node2: root@node2: 前言 前段时间由于项目需求，需要搭建k8s集群，由于是首次接触，因此经验不足，只搭建了一个最基础的简单集群，现重新在内网搭建高可用集群+分布式存储，记录搭建过程 前期准备 服务器硬件准备 服务器 ip 系统 master1 172.16.140.100 centos7 master2 172.16.140.101 centos7 node1 172.16.140.102 centos7 node2 172.16.140.103 centos7 test——外网服务器