调优介绍 Hyper Tuner是一款鲲鹏性能调优工具，本实践中使用Tuning Kit工具对nginx所在系统执行系统性能全景分析，找到性能瓶颈点，并根据分析结果进行优化修改，从而实现nginx自身性能增强。组网环境说明：本实践以TaiShan 200服务器（型号2280）+ "CentOS7.6组网举例。项目说明服务器TaiShan   200 服务器（型号2280）CPU2 * Kunpeng 920-4826OSCentOS Linux7(AltArch)应用Nginx前提条件1.服务器和操作系统正常运行。2.PC端已经安装SSH远程登录工具。3.目标环境上HyperTuner工具已经安装完成，并正常运行。调优思路1.向nginx发送大量请求，用HyperTuner工具对目标环境的空载系统进行全局的系统性能分析。对全景性能分析中，有异常的指标进一步分析，并根据优化建议进行优化修改。3.对优化后的代码再次进行全景性能分析，验证调优后的效果。操作步骤系统全景分析执行time ab -n200000 -c1000 url性能瓶颈分析在性能全景分析的结果中，查看网络IO中的网络设备统计，发现rxpck/s、txpck/s都比基准值高出很多，经分析可能是网卡收到报文之后立即产生中断，导致数值增大。性能瓶颈优化关闭网口中断聚合自适应（ethtool -C 网卡名称 adaptive-rx off adaptive-tx off）若数值无降低可修改中断聚合采纳数（ethtool -C 网卡名称  rx-usecs 200 rx-frames 16 tx-usecs 200 tx-frames 16）调优后结果关闭网口中断聚合后，查看网络IO中的网络设备统计，发现rxpck/s、txpck/s都有降低。本实践中，通过系统全景分析的采集，查看优化建议可能是网口中断聚合未关闭，关闭网口中断聚合后，网络IO性能得到明显提升。总结200000请求rxpck/stxpck/s网口中断聚合开启1000并发32315.4832289.90网口中断聚合关闭1000并发26,720.6526,661.48 

MDC 300F系统时间每次开机都会重置到2019/4/20 8：00：00，如何修改系统时间同步到网络时间，不让MDC重置？

公有云是否不安全，有那么多人用么？

- News -1.东京奥运会前奏：日本的网络安全备战和“假想敌们”https://mp.weixin.qq.com/s/ZTv6ldWXXi9XTmSNKjryYg2.苹果再成目标，WildPressure APT 组织锁定macOS系统https://mp.weixin.qq.com/s/SSSbnQqZFS9zDfzM_Y2nQw3.一款全新的勒索病毒Hive来袭，已有企业中招https://mp.weixin.qq.com/s/_50M83eu_aURayj6wF2Ywg4.教育部发布预警：高校招生录取期间，谨防诈骗https://mp.weixin.qq.com/s/JhWPEaxZ3mwsW6rsySmz6w5.自然资源部办公厅关于印发《国土空间用途管制数据规范（试行）》的通知https://mp.weixin.qq.com/s/FkuTtH1Ck69J5MJDzQspZQ6.PrintNightmare 漏洞的补丁管用吗？安全界和微软有不同看法https://mp.weixin.qq.com/s/fxN3Lf-MHQs1ZOWF3k-rpw7.“大数据杀熟”最高罚5000万元 深圳推动建立数据交易平台https://www.cnbeta.com/articles/tech/1151143.htm8.观察 | 赴美IPO企业需警惕！美国哪些法律会危害我国数据安全https://mp.weixin.qq.com/s/-2q78HiSKOuWZSU3eH5i5A

【功能模块】 vgg16导入checkpoint报错 vgg定义来源：https://gitee.com/mindspore/mindspore/tree/master/model_zoo/official/cv/vgg16checkpoint文件来源：https://download.mindspore.cn/model_zoo/official/cv/vgg/vgg16_ascend_1.0_cifar10_official_classification_20200923/模型和参数加载：from src.config import imagenet_cfg as vgg_cfg network = vgg16(vgg_cfg.num_classes, vgg_cfg, phase="test") load_param_into_net(network, load_checkpoint(model_cfg.cnn_ckpt))【截图信息】 是因为checkpoint不支持imagenet这个数据集吗？

【功能模块】iot通讯模块【操作步骤&问题现象】1、iot studio内的通讯模组检测显示未注册EPS网络2、淘宝新买的移动nb卡，卡未过期。【截图信息】AT+CEREG?CEREG:0,2【日志信息】（可选，上传日志内容或者附件）

官方文档：https://www.mindspore.cn/tutorial/training/zh-CN/r1.2/advanced_use/cv_resnet50.html 1.下载源码和数据集 ``` git clone https://gitee.com/mindspore/docs.git wget https://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz tar -zvxf cifar-10-binary.tar.gz ``` 修改cifar_resnet50.py 中的数据集路径，修改device类型为GPU ``` parser.add_argument('--device_target', type=str, default="GPU", help='Device choice Ascend or GPU') parser.add_argument('--dataset_path', type=str, default="/home/HwHiAiUser/datasets/cifar-10-batches-bin", help='Dataset path.') ``` 2.开始训练 ``` python3 cifar_resnet50.py ``` 由于代码没有打印训练过程的loss，耐心等待5min得到训练结果； 训练过程顺便看了下gpu使用率60%  训练完成后，修改参数，开始验证 ``` parser.add_argument('--do_train', type=bool, default=False, help='Do train or not.') parser.add_argument('--do_eval', type=bool, default=True, help='Do eval or not.') parser.add_argument('--checkpoint_path', type=str, default="./train_resnet_cifar10-1_1875.ckpt", help='CheckPoint file path.') ```  到此，成功体验mindspore框架的resnet模型，下一步就是还需进一步调试了。

看别的博客应该还具有这部分3: eth0@if9: <BROADCAST,MULTICAST,UP,LOWER_UP,M-DOWN> mtu 1500 qdisc noqueue    link/ether 56:ac:92:eb:f6:16 brd ff:ff:ff:ff:ff:ff    inet 10.22.0.6/16 brd 10.22.255.255 scope global eth0       valid_lft forever preferred_lft forever    inet6 fe80::54ac:92ff:feeb:f616/64 scope link       valid_lft forever preferred_lft forever请问各位朋友，怎么样可以配置这个网卡eth0？

问题描述出现执行ifconfig eth0 up，报“SIOCSIFFLAGS 无效的参数”提示原因分析在安装系统的时候没有输入序列号，如下图解决方案1、重新安装系统，再输入序列号2、不需要重新安装系统，配置文件即可第二种方案步骤如下1、先给配置网络，我这边配置静态网络2、编译/etc/default/grub文件，添加GRUB_CMDLINE_LINUX="linx_serial=序列号,security=linx"保存3、执行update-grub,然后重启注意：先配置网络，再配置序列号后重启

邮箱2879056956@qq.com

代码来源https://gitee.com/mindspore/mindspore/pulls/18949 运行环境NPU： 8 Ascend 910运行结果NPU数据训练过程：epoch time: 111638.610 ms, per step time: 89.168 msepoch: 176 step: 1252, loss is 2.2206404epoch time: 111653.667 ms, per step time: 89.180 msepoch: 177 step: 1252, loss is 2.5303764epoch time: 111709.643 ms, per step time: 89.225 msepoch: 178 step: 1252, loss is 2.6840098epoch time: 111692.466 ms, per step time: 89.211 msepoch: 179 step: 1252, loss is 2.7241988epoch time: 111601.785 ms, per step time: 89.139 msepoch: 180 step: 1252, loss is 2.6430836epoch time: 111497.108 ms, per step time: 89.055 mstrain success验证结果：model ./ckpt_ 0/train_ spnasnet imagenet-146 1252.ckpt's accuracy is {'top_ 1 accuracy': 0. 7421075767263428，top 5_ accuracy': 0. 9162404092071611}推理结果：Total data:50000， top1 accuracy: 0.74218, top5 accuracy : 0.91618.思路解析1. 在最早开始调试的时候，本来是按照原始论文的设置要跑300个epochs，但是精度迟迟无法达标，并且设置weight_decay=1e-4次方时loss总是无法降低2. 之后尝试通过修改weight_decay=1e-5次方，将epoch=200的时候，精度有了一定稳定的提高。此时确定了weight_decay=1e-5更加适合网络3. 发现mindspore1.2.0补上了缺失的算子nn.SyncBatchNorm，用来同步在多卡并行的过程中bn层的mean和var参数，但是精度依然无法到达需要的指标4. 将目标放在了初始化的方面，经过多次尝试，发现对于single-path-nas来说，使用"HeNormal"初始化的精度是稳定地高于模型"HeUniform"，因此确定了将"HeNormal"作为最后的初始化5. 我使用的是余弦学习率调整策略，在跑200轮的时候，最好的精度总是都坐在160轮左右的时候，之后就开始过拟合，因此我选择将epoch调整到180（此时最好的模型会掉在150轮左右），我尝试继续缩小epoch，但是这个时候精度却明显的低了，感觉到学习率衰减的策略对模型的收敛有挺大的影响，因此最后选择较为合适的epoch=1806. 精度还是稍微差一点，因为bn层本身是存在一定的正则化作用的，猜想imagenet本身的一些数据的标签和统计量，因此我选择取消了nn.SyncBatchNorm，使用普通的nn.BatchNorm2d，不同步不同卡上的bn层模型，为模型的收敛引进一部分扰动，最后终于达到了精度要求。经验总结：在一开始的时候不要选择过大的weight_decay，因为weight_decay本身就是一种正则化的约束，过强的正则化约束很可能会导致模型欠拟合对不同的模型，还是尽量要选择适合的初始化，虽然现在优化器和BN层的发展已经解决了很多由于初始化导致的训练不稳定等问题，但是选择合适的初始化的确能稳定提升精度epoch不要太多，合适就好。太多的epoch反而会影响模型的正常收敛因为BN层中有一定的统计量，从大的角度来说大的batchsize的确可以促进模型的稳定收敛，但是小的batchsize可以让模型有更好的泛化性，因此多卡并行时是否选择同步BN层的确会对模型的泛化有一定的影响

>>>汇总贴以上内容在“昇腾开发者微信公众号”同步上线，可扫码关注！>>>汇总贴

MDC系统时间每次开机都会重置到2019/4/20 8：00：00，如何修改系统时间同步到网络时间，不让MDC重置？(希望不要回复类似“请搜索产品文档有设置时间的工具", 请截图回答，因为这种回复找不到正解答案，谢谢！)

MDC系统时间每次开机都会重置到2019/4/20 8：00：00，如何修改系统时间同步到网络时间，不让MDC重置？

我在train的时候已经训练好了checkpoint文件。然后在eval阶段我只是简单的调了train中的网络，并且加载了已经train好的checkpoint文件。这样会报错。请问报错的原因 会是因为什么？会是因为网络中的某些层 如bn和drouoout在训练和推理有些不一致导致的吗？可是我在train的时候也同时使用了交叉验证，交叉验证也需要model.eval。网络能正常。两个问题 1.在eval阶段，需要注意什么？能够直接加载网络和参数吗？2.在eval阶段需要在Model中使用优化器吗？