权重

面对高并发的问题，企业往往会从两个方面来解决。其一，从硬件上面，提升硬件的配置，增加服务器的性能；另外，就是从软件上，将数据库和WEB服务器分离，使数据库和WEB服务器都能够充分发挥各自的性能，并且二者不相互影响。然而，这样还不够，一台WEB服务器可能无法承受太高的并发请求。那么负载均衡技术就应运而生，下面我们就来谈谈如何用Nginx进行负载均衡。 查看原文更多惊喜 负载均衡的作用 1.转发 转发是负载均衡的核心功能，它能够根据一定的算法，将客户端请求转发到不同应用服务器，缓解每台服务器的压力，提高并发量。 2.移除故障 当其中一台服务器发生故障时，会被移出轮询队列，客户端请求将会发送到其他几台正常的服务器，不会影响客户端的访问。 3.恢复添加 当故障的服务器恢复时，会自动被加到轮询队列，继续处理客户端请求。 Nginx配置 轮询 如下是Nginx的基本配置，upstream配置要负载的节点。nodes可以自己取，要跟server中proxy_pass的nodes一致。 server_name可以是Nginx服务器的ip地址，也可以是域名，根据具体情况配置即可，listen为端口号。 upstream nodes { server 192.168.1.11; server 192.168.1.12; } server { listen 80; server_name 127.0.0

服务升级机制   在项目敏捷开发的过程中，不可避免需要快速、安全的更新应用，目前比较流行的几种部署方案有: 滚动发布、灰度发布/金丝雀发布和蓝绿部署。 滚动发布（目前某银行内部生产环境交易系统的发布方式）：   一般是取出一个或者多个服务器停止服务，执行更新，并重新将其投入使用。周而复始，直到集群中所有的实例都更新成新版本。   这种部署方式相对于蓝绿部署，更加节约资源——它不需要运行两个集群、两倍的实例数。我们可以部分部署，例如每次只取出集群的20%进行升级。 这种方式也有很多缺点，例如： 没有一个确定OK的环境。使用蓝绿部署，我们能够清晰地知道老版本是OK的，而使用滚动发布，我们无法确定。 修改了现有的环境。 如果需要回滚，比较麻烦。举个例子，在某一次发布中，我们需要更新100个实例，每次更新10个实例，每次部署需要5分钟。当滚动发布到第80个实例时，才发现问题，需要回滚。此时，脾气不好的运维人员很可能想掀桌子，因为回滚是一个痛苦，并且漫长的过程。 有的时候，我们还可能对系统进行动态伸缩，如果部署期间，系统自动扩容/缩容了，我们还需判断到底哪个节点使用的是哪个代码。尽管有一些自动化的运维工具，但是依然令人心惊胆战。 并不是说滚动发布不好，滚动发布也有它非常合适的场景。 灰度发布（又名金丝雀发布） PS：矿井中的金丝雀 17世纪，英国矿井工人发现，金丝雀对瓦斯这种气体十分敏感

图像平滑 Smoothing, also called blurring, is a simple and frequently used image processing operation. 平滑,也叫模糊. 本质就是把某点的像素值转换为其及其周围像素值的不同权重的叠加.h(k,l)即为卷积核，或者叫滤波器filter. 有几种常见的filter Normalized Box Filter Gaussian Filter Median Filter Bilateral Filter 均值滤波 权重矩阵如上. img2= cv2.blur(img,(5,5)) The call blur(src, dst, ksize, anchor, borderType) is equivalent to boxFilter(src, dst, src.type(), anchor, true, borderType). https://docs.opencv.org/master/d4/d86/group__imgproc__filter.html#ga8c45db9afe636703801b0b2e440fce37 效果如下： 高斯滤波 即假设某一位置的像素和其邻域像素符合高斯分布.具体的说的话,就是每一位置的像素的权重符合高斯分布.这样的话,给定一个高斯分布,及高斯核的大小

CNN笔记：通俗理解卷积神经网络 2016年07月02日 22:14:50 v_JULY_v 阅读数 250368 更多 分类专栏： 30.Machine L & Deep Learning 机器学习十大算法系列 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。 本文链接： https://blog.csdn.net/v_JULY_v/article/details/51812459 通俗理解卷积神经网络（cs231n与5月dl班课程笔记） 1 前言 2012年我在北京组织过8期machine learning读书会，那时“机器学习”非常火，很多人都对其抱有巨大的热情。当我2013年再次来到北京时，有一个词似乎比“机器学习”更火，那就是“深度学习”。 本博客内写过一些机器学习相关的文章，但上一篇技术文章“LDA主题模型”还是写于2014年11月份，毕竟自2015年开始创业做在线教育后，太多的杂事、琐碎事，让我一直想再写点技术性文章但每每恨时间抽不开。然由于公司在不断开机器学习、深度学习等相关的在线课程，耳濡目染中，总会顺带着学习学习。 我虽不参与讲任何课程（我所在公司“ 七月在线 ”的所有在线课程都是由目前讲师团队的60位讲师讲），但依然可以用最最小白的方式 把一些初看复杂的东西抽丝剥茧的通俗写出来。这算重写技术博客的价值所在

css，层叠样式表 CSS层叠性 所谓层叠性是指多种CSS样式的叠加。 是浏览器处理冲突的一个能力,如果一个属性通过两个相同选择器设置到同一个元素上，那么这个时候一个属性就会将另一个属性层叠掉 比如先给某个标签指定了内部文字颜色为红色，接着又指定了颜色为蓝色，此时出现一个标签指定了相同样式不同值的情况，这就是样式冲突。 1.样式冲突，遵循的原则时就近原则 2.样式不冲突，不会层叠 CSS继承性 子承父业 所谓继承性是指书写CSS样式表时，子标签会继承父标签的某些样式，如文本颜色和字号。想要设置一个可继承的属性，只需将它应用于父元素即可。 适当使用，不可滥用，好处减低了css的复杂度，子元素可以继承父元素的哪些样式(color,text-,font-,line-) CSS优先级 定义CSS样式时，经常出现两个或更多规则应用在同一元素上，这时就会出现优先级的问题。 继承样式的权重为0，即在嵌套结构中，不管父元素的权重多大，被子元素继承是，权重都为0. 行内样式优先。行内样式权重相当高 权重相同时，层叠行，就近原则 css有一个命令 !important 优先级最大 ### CSS的特殊性(Specificity) 关于css 的权重，我们需要一套公式，就叫CSS的特殊性(Specificity)，我们称之为css特性或非凡性 css特性有四个数字组成，从左到右，左边最大，数位没有进制

CSS 三大特性 css，层叠样式表 CSS层叠性 所谓层叠性是指多种CSS样式的叠加。 是浏览器处理冲突的一个能力,如果一个属性通过两个相同选择器设置到同一个元素上，那么这个时候一个属性就会将另一个属性层叠掉 比如先给某个标签指定了内部文字颜色为红色，接着又指定了颜色为蓝色，此时出现一个标签指定了相同样式不同值的情况，这就是样式冲突。 1.样式冲突，遵循的原则时就近原则 2.样式不冲突，不会层叠 CSS继承性 子承父业 所谓继承性是指书写CSS样式表时，子标签会继承父标签的某些样式，如文本颜色和字号。想要设置一个可继承的属性，只需将它应用于父元素即可。 适当使用，不可滥用，好处减低了css的复杂度，子元素可以继承父元素的哪些样式(color,text-,font-,line-) CSS优先级 定义CSS样式时，经常出现两个或更多规则应用在同一元素上，这时就会出现优先级的问题。 继承样式的权重为0，即在嵌套结构中，不管父元素的权重多大，被子元素继承是，权重都为0. 行内样式优先。行内样式权重相当高 权重相同时，层叠行，就近原则 css有一个命令 !important 优先级最大 CSS的特殊性(Specificity) 关于css 的权重，我们需要一套公式，就叫CSS的特殊性(Specificity)，我们称之为css特性或非凡性 css特性有四个数字组成，从左到右，左边最大

背景 反向传播 (Backpropagation)是训练神经网络最通用的方法之一，网上有许多文章尝试解释 反向传播 是如何工作的，但是很少有包括真实数字的例子，这篇博文尝试通过离散的数据解释它是怎样工作的。 Python实现的反向传播 你能使用Python来实现 反向传播 ，我曾经在 this Github repo 上实现了 反向传播 算法。 反向传播的可视化 显示神经网络学习时相互作用的可视化，检查我的 Neural Network visualization 。 另外的资源 如果你发现这个教程对你有用并且想继续学习神经网络以及它的应用，我强烈建议你看Adrian Rosebrock优秀的教程 Getting Started with Deep Learning and Python 。 概述 对于这个教程，我们将使用2个输入神经元、2个隐含层神经元以及2个输出层神经元组成一个神经网络，另外，隐含层和输出层神经元各包含一个偏差。 这是基本结构： 目的让神经网络工作，我们对 权重 、 偏差 和训练的输入/输出设置一个初始值： 反向传播 的目的是优化权重，以便于让神经网络学习怎样正确的把任意的输入映射到输出中。 这篇教程的剩余部分我们将要和单一的训练集工作：输入0.05和0.10，我们想要神经网络输出0.01和0.99。 前向反馈 为了开始，当前给定权重和偏差以及输入值0.05和0

CSS三大特性 css层叠性 层叠性是指多种css样式的叠加。 是浏览器冲突的一个能力，如果一个属性通过两个相同选择器设置到同一个元素上，那么这个会将另一个属性层叠掉 一般情况下，如果出现样式冲突，则会按照css书写顺序，以最后的样式为准 样式冲突，遵循的原则是就近原则。那个样式离着结构近，就执行那个样式。 样式不冲突，不会层叠 css继承性 所谓继承性是指书写CSS样式表时，子标签会继承父标签的某些样式，如文本颜色和字号。想要设置一个可继承的属性,只需将它应用于父元素即可。 简单的理解就是:子承父业。 注意： 恰当地使用继承可以简化代码，降低CSS样式的复杂性。子元素可以继承父元素的样式(text-, font-,，1ine-这些元素开头的都可以继承，以及co1or属性) css优先级 定义CSS样式时，经常出现两个或更多规则应用在同一元素上,这时就会出现优先级的问题。 在考虑权重时，初学者还需要注意一些特殊的情况， 具体如下: 继承样式的权重为0。即在嵌套结构中，不管父元素样式的权重多大，被子元素继承时，他的权重都为0，也就是说子元素定义的样式会覆盖维承来的样式。 行内样式优先。应用sty1e属性的元素，其行内样式的权重非常高，可以理解为远大于100。总之，他拥有比上面提高的选择器都大的优先级。 权重相同时，CSS遵循就近原则。也就是说靠近元素的样式具有最大的优先级

四种负载均衡算法 入手Dubbo好久了，还没有好好整理过相关的笔记。 话说我又什么时候好好整理过笔记，都是想起来写一写就好了，应该自我检讨检讨。 随机均衡算法 权重轮循算法 最小活跃数算法 一致性hash算法 随机均衡算法 Random LoadBalance 随机，按照权重设置随机概率 调用量越大分布越均匀 权重轮循算法 RoundRobin LoadBalance 轮循，按照权重设置轮循比率 存在问题： 请求累积的问题，请求会累积在性能较差的机器上，导致响应时间慢。 解决办法：把性能差的机器，权重调低。 缺点：无法对机器性能在时间上的变化而做出动态改变，只能人工发现机器性能下降，手动调节权重。 最小活跃数算法 LeastActive LoadBalance 最小活跃调用数，相同活跃数的随机，活跃调用前后计算差值。 处理请求慢的机器将获得更小的调用量,以达到系统处理最大化。 优点：灵活，能够简单的根据调用数量动态调整机器处理的数量。 一致性hash算法 ConsistentHash LoadBalance 一致性hash，相同参数的请求总是发到同一提供者。 如果有一台生产者挂掉，基于虚拟节点，发往其机器的请求平摊到其它机器，不会引起剧烈抖动 缺省只对第一个参数取hash，如果要修改配置 缺省只有160个虚拟节点，如果要修改配置 优点：更加灵活。 缺点：灵活导致难度大，由于粒度

记录一下nginx加权分配算法。 nginx可以指定轮询几率，weight和访问比率成正比，用于后端服务器性能不均的情况。 例如： upstream backend { server a weight=6; server b weight=3; server c weight=1; } 按照配置，每有10次请求，其中6个会转发到a服务器，3个转发到b服务器，1个转发到c服务器。 每个服务器都有三个权重变量，先解释下它们的含义。 (1) weight 配置文件中指定的该服务器的权重，这个值是固定不变的。 (2) effective_weight 服务器的有效权重，初始值为weight。 在释放服务器时，如果发现和某服务器的通信过程中发生了错误，就减小它的effective_weight。 此后有新的请求过来时，在选取该服务器的过程中，再逐步增加effective_weight，最终又恢复到weight。 之所以增加这个字段，是为了当服务器发生错误时，降低其权重。 (3) current_weight 服务器目前的权重，初始为0，之后会动态调整。 那么如何动态调整呢？ nginx每次选取服务器时： 先遍历集群中所有服务器，将每个服务器的current_weight增加它的effective_weight， 再累加所有服务器的effective_weight，保存为total。