lr

测试步骤之脚本优化（Script） 看到这里，是不是疑惑录制好的脚本还需要优化吗，答案是肯定的。 优化概要 脚本优化包括插入注释（Comment），插入事务（Transaction），插入检查点（Check），插入集合点（Rendezvous），脚本参数化（Parameter），关联技术（Correlation）等等。 打开VuGen，相关设置如下 进入到脚本页（顶部的Script按钮），就能看到录制到action部分的脚本了，如下图所示 上面是我录制优化的登陆模块脚本，学过编程语言就大概能知道，LR脚本里都是些函数组成的，lr_output_message（日志中打印输出，类似C中printf函数），web_custom_request（请求函数，就是模拟用户点击按钮操作，点击一次就提交一次这种请求），web_reg_save_param_ex（注册函数，通俗点就是在服务器返回数据中查找并保存特定的数据）等。 不管怎样，录制成功后，首先得回放脚本一下，看看有没有问题，没问题就根据需求，真实环境进行脚本优化。 插入注释（Comment） 插入注释为了使脚本方便易懂，很简单，单行在前面加上//即可，多行注释用/* ....（此处是脚本）.....*/。 插入事务（Transaction） 插入事务也很快，就是判断一段操作的时间，记住事务插入在集合点之后并且是成对出现的，如lr

分析原则： 具体问题具体分析（这是由于不同的应用系统，不同的测试目的，不同的性能关注点） 查找瓶颈时按以下顺序，由易到难。 服务器硬件瓶颈-〉网络瓶颈（对局域网，可以不考虑）〉服务器操作系统瓶颈（参数配置）〉中间件瓶颈（参数配置，数据库，web服务器等）-〉应用瓶颈（SQL语句、数据库设计、业务逻辑、算法等） 注：以上过程并不是每个分析中都需要的，要根据测试目的和要求来确定分析的深度。对一些要求低的，我们分析到应用系统在将来大的负载压力（并发用户数、数据量）下，系统的硬件瓶颈在哪儿就够了。 分段排除法 很有效 分析的信息来源： 1）根据场景运行过程中的错误提示信息 2）根据测试结果收集到的监控指标数据 一．错误提示分析 分析实例： 1）Error: Failed to connect to server "payment.baihe.com″: [10060] Connection Error: timed out Error: Server "user.baihe.com″ has shut down the connection prematurely 分析： A、应用服务死掉。 （小用户时：程序上的问题。程序上处理数据库的问题） B、应用服务没有死 （应用服务参数设置问题） 例：在许多客户端连接Weblogic应用服务器被拒绝，而在服务器端没有错误显示

事务：transaction（性能里面的定义：客户机对服务器发送请求，服务器做出反应的过程） 用于模拟用户的一个相对完整的业务操作过程：如登录，查询，交易等操作（每次http请求不会用来作为一个事务） 方式1、录制过程中，可操作 方式2、以loadrunner 自带WebTours为例， 操作步骤： 　　 1、打WebTours首页 　　 2、点击事务开始按钮，输入“登录” 　　 3、输入用户名密码点击登录按钮 　　 4、点击事务结束按钮，点击确定。（注：事务的开始与结束的名称一定要一致） 方式3、等正常录制结束后，手写： （注意：1、开始与结束函数必须成对出现2、事务的名称必须一样） 在脚本中找到要添加事务的部分，在前后插入函数； lr_start_transaction("名称：如登录")； 　　 .....（事务脚本部分） lr_end_transaction("名称：如登录"，LR_AUTO)； 方式4、或找到要添加事务的部分，在前后单击鼠标左键后，再在菜单中找到并插入事务： 来源： https://www.cnblogs.com/QiKa/p/12039621.html

在pytorch进行模型保存的时候，一般有两种保存方式，一种是保存整个模型，另一种是只保存模型的参数。 torch.save(model.state_dict(), "my_model.pth") # 只保存模型的参数 torch.save(model, "my_model.pth") # 保存整个模型 保存的模型参数实际上一个字典类型，通过key-value的形式来存储模型的所有参数，本文以自己在实践过程中使用的一个.pth文件为例来说明，使用的是整个模型。 1.1 .pth 文件基本信息的查看 import torch pthfile = r'F:/GNN/graph-rcnn/graph-rcnn/datasets/sg_baseline_ckpt.pth' #faster_rcnn_ckpt.pth net = torch.load(pthfile,map_location=torch.device('cpu')) # 由于模型原本是用GPU保存的，但我这台电脑上没有GPU，需要转化到CPU上 print(type(net)) # 类型是 dict print(len(net)) # 长度为 4，即存在四个 key-value 键值对 for k in net.keys(): print(k) # 查看四个键，分别是 model,optimizer,scheduler

一.Pyramid Feature Attention Network for Saliency detection论文的代码运行 代码：https://github.com/CaitinZhao/cvpr2019_Pyramid-Feature-Attention-Network-for-Saliency-detection 环境需求：TF-1.12 with all other dependencies being latest versions works well for me. Tensorflow与Keras版本之间的兼容性 https://docs.floydhub.com/guides/environments/ tensorflow1.12+keras2.2.4 Tensorflow版本与cuDNN CUDA的版本配合 https://www.jianshu.com/p/464fefb5c5d8 当前系统环境是 CUDA 8.0 和 CUDNN 6.0 但Tensorflow1.12要求 CUDA 9.0 和 CUDNN 7.0 报错： ImportError: libcublas.so.9.0: cannot open shared object file: No such file or directory 所以要 更换CUDA和CUDNN版本 1

1.来源 　　本质上 GBDT+LR 是一种具有 stacking 思想的二分类器模型，所以可以用来解决二分类问题。这个方法出自于 Facebook 2014 年的论文 Practical Lessons from Predicting Clicks on Ads at Facebook 。 2.使用场景 　　GBDT+LR 使用最广泛的场景是 CTR 点击率预估，即预测当给用户推送的广告会不会被用户点击。点击率预估模型涉及的训练样本一般是上亿级别，样本量大，模型常采用速度较快的 LR。但 LR 是线性模型，学习能力有限，此时特征工程尤其重要。现有的特征工程实验，主要集中在寻找到有区分度的特征、特征组合，折腾一圈未必会带来效果提升。GBDT 算法的特点正好可以用来发掘有区分度的特征、特征组合，减少特征工程中人力成本。 3.CTR的流程 　　主要包括两大部分：离线部分、在线部分，其中离线部分目标主要是训练出可用模型，而在线部分则考虑模型上线后，性能可能随时间而出现下降，若出现这种情况，可选择使用 Online-Learning 来在线更新模型： 3.1离线部分 数据收集：主要收集和业务相关的数据，通常会有专门的同事在 app 位置进行埋点，拿到业务数据 预处理：对埋点拿到的业务数据进行去脏去重； 构造数据集：经过预处理的业务数据，构造数据集，在切分训练、测试