Мониторинг производительности под Linux — «охота на грызунов»

Мониторинг производительности под Linux — «охота на грызунов»

Существует масса средств мониторинга операционной системы, но особый смысл имеет задача отловить момент возникновения проблемы и поймать причину высокой нагрузки или источник проблем c производительностью. Я называю это охотой на «грызунов» ресурсов. Для этого я сочинил для себя несложный скрипт

Лыжи, 11-01-2016

Лыжи, 11-01-2016

11-01-2016. Лыжный кросс, 10км. Пожалуй, сегодня был мой температурный рекорд: когда вышел на лыжную прогулку/тренировку — было -24С, затем потеплело до -22-20С.  Сухо, безветренно, солнечно и свежо — т.е. совсем СВЕЖО! На самом деле именно такая морозная погода мне лично нравится

Забег в буран

Забег в буран

Cross-country Ski, 10-01-2016 Погодка сегодня «порадовала». Только открыл дверь избушки — буквально унесло: ветер около 20 м/с, снег. Короче — метель. Или пурга. Или буран. Кстати пока шел на лыжах (читай сражался) — все пытался вспомнить в чем собственно разница

Nikon — чемпионат мира среди фотографов

Я | В СЕРДЦЕ ИЗОБРАЖЕНИЯ 2015-2016. Это не просто конкурс, это настоящий чемпионат по фотографии среди профессионалов и любителей!

Я | В СЕРДЦЕ ИЗОБРАЖЕНИЯ Друзья, напоминаем вам о запуске самого масштабного конкурса года от Nikon — Я | В СЕРДЦЕ ИЗОБРАЖЕНИЯ 2015-2016. Это не просто конкурс, это настоящий чемпионат по фотографии среди профессионалов и любителей! В этом году вас

Linux — что внутри?

Внутреннее устройство Linux

Издательский дом «Питер» выпустил книгу Брайна Уорда, которая уже стала бестселлером на Западе — «Внутреннее устройство Linux«. Она описывает все тонкости работы с операционной системой Linux, системное администрирование, глубокие механизмы, обеспечивающие низкоуровневый функционал Linux. На страницах этого издания вы приобретете

Нейросеть на Python, часть 2: градиентный спуск

Часть 1 : Часть 2 Давай сразу код! import numpy as np X = np.array([ [0,0,1],[0,1,1],[1,0,1],[1,1,1] ]) y = np.array([[0,1,1,0]]).T alpha,hidden_dim = (0.5,4) synapse_0 = 2*np.random.random((3,hidden_dim)) — 1 synapse_1 = 2*np.random.random((hidden_dim,1)) — 1 for j in xrange(60000): layer_1 = 1/(1+np.exp(-(np.dot(X,synapse_0))))