記憶體使用量的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列地圖、推薦、景點和餐廳等資訊懶人包

高效能Python程式設計 第二版

為了解決記憶體使用量的問題，作者MichaGorelick,IanOzsvald 這樣論述：

寫給人類的高性能編程法    　　或許你的Python程式可以正確運行了，但你希望它跑得更快。這本更新至Python 3的擴增版本將告訴你如何找到性能瓶頸，並且在使用高資料量的程式中大幅提升程式碼的速度。《高效能Python程式設計》將藉著探索各種設計背後的基本理論，讓你更深入瞭解Python的實作。    　　如何利用多核心架構或叢集？如何在不失去可靠性的情況下放大與縮小系統規模？資深的Python程式員可從本書學到許多問題的具體解決方案，以及來自許多公司的實戰經驗，這些公司都運用高性能Python來進行社交媒體分析、生產化機器學習等應用。    　　• 更充分地掌握NymPy、Cyth

on與分析器  　　• 瞭解Python如何將底層計算架構抽象化  　　• 進行分析來找出CPU時間和記憶體使用量的瓶頸  　　• 選擇正確的資料結構，寫出高效程式  　　• 提升矩陣和向量的計算速度  　　• 使用工具，將Python編譯成機器碼  　　• 並行管理多I/O與計算操作  　　• 轉換multiprocessing程式碼，讓它在本地或遠端叢集上運行  　　• 使用Docker等工具來快速部署程式    好評推薦   　　「這是少數幾本可以改變你的編程思維的書籍之一。」  　　—Hilary Mason ，Accel常駐資料科學家

記憶體使用量進入發燒排行的影片

利用特徵濾波器分析的卷積神經網路壓縮方法

為了解決記憶體使用量的問題，作者王奕升 這樣論述：

隨著深度學習領域不斷的進步，計算機視覺領域中的卷積神經網路架構比起以往擁有更多的記憶體使用量和更複雜的運算需求，相對地對於硬體的要求也就更高，導致將深度學習的應用部屬到移動式裝備的困難度逐年在增加，這使得如何在有限的記憶體和硬體效能中擁有差不多的辨識準確率成為近幾年被關注的問題之一。因此，本論文提出了一個新穎的卷積神經網路的壓縮方法。此方法首先利用主成分分析分解卷積層中的濾波器，再藉由分解的結果，設計一個用來重建濾波器和輸入圖片的卷積運算架構。最後，利用剪枝的技術對整個卷積神經網路進行壓縮，並且在壓縮後透過微調的方式將模型恢復到壓縮前的辨識能力。此外，透過實驗證明，將本論文提出的壓縮方法與最

先進的剪枝方法相比能在模型的整體效能上帶來顯著的進步。以ResNet-34 為例，提出的方法可以使整個模型在CIFAR-10 數據集上獲得6.9倍的壓縮率，並且只損失百分之0.7的辨識準確率。

Linux Kernel Hacks：改善效能、提昇開發效率及節能的技巧與工具

為了解決記憶體使用量的問題，作者池田宗広大岩尚宏島本裕志等 這樣論述：

　　Kernel 就是 OS 的核心。OS 的基本功能都是由 kernel 提供的。建立檔案、傳送封包等動作都是以 kernel 的功能完成。不過建立這些功能並不是單純的工作。儘管平常不會意識到，裡面深藏了許多高階技術。以檔案系統來說，或許會在放置檔案的時候考慮到極力減少磁碟搜尋動作，以網路的部份來說，或許會為路由表項目數龐大的情形做好準備，使得這種情形不會對系統整體造成太大的影響。記憶體管理、process 管理等部份也暗藏了各式各樣的技巧。看懂這些高階技術，正是 kernel hacking 的魅力之一。 　　不過最近的 Linux kernel 不再只提供基本的功能。隨著功能進化，它

不斷實作了為某些領域特化的方便功能、還有許多獨特的功能。就算是 kernel hacker 應該也很少人能全部掌握吧。 　　本書將從進化至今的 Linux kernel 多數功能之中，選定許多人需要的、或是很有意思的功能，在說明這些工能的過程中，一併解釋內部的運作機制。同時也會討論到善用這些功能所需的工具與設定方法、調整技巧。 　　「節能」是本書會討論到的主題之一。不僅會說明使用方式，還會談到節能的思考方向、以及它與硬體的關聯。另外也會涵蓋最近受到注目的虛擬化、資源管理、納入標準檔案系統之一的 ext4 等等，廣泛涵蓋各種經典功能與新功能。經典功能的部份會盡可能調查最新的原始碼，討論變

更點與新增功能。這部份是文件找不到、不探索 kernel 內部就無法得知的資訊，所以就算已經知道這些功能的讀者，或許也會有新發現。另外本書也會介紹與 kernel 有關的工具，其中包含 gcore 這個對重要的系統來說十分需要的工具。 　　最新的 Linux kernel 實作了強力的追蹤 (trace)、效能量測 (profiling) 功能。用起來很方便，也提供許多功能。不僅能勝任原先的目的，在 kernel hacking 的時候也大有幫助。對 kernel hacker 老手來說，應該也有參考價值。 　　本書包含許多在現場也能立刻派上用場的完整實例。如果讀者想完整發揮 kern

el 功能的話，本書應該十分具有參考價值。   執筆群 監修者前言 寫在前面 Chapter 1 Kernel 入門 1. 取得 Linux kernel 2. 編譯 Linux kernel 3. Kernel module 的作法 4. 使用 Git 5. 以 checkpatch.pl 檢查 patch 的格式 6. 以 localmodconfig 縮短 kernel 編譯時間 Chapter 2 資源管理 8. Scheduling Policy（排程策略） 9. RT Group Scheduling 與 RT Throttling 10. Fai

r Group Scheduling 11. Cpuset 12. 以 Memory Cgroup 限制記憶體使用量 13. 設定 Block I/O controller 的 I/O 優先度 14. 虛擬記憶體系統調校 15. ramzswap 16. OOM Killer 的動作與機制 Chapter 3 檔案系統 17. 運用 ext4 18. 轉移到 ext4 19. ext4 調校 20. 以 fio 量測 I/O 效能 21. FUSE Chapter 4 網路 22. 網路頻寬控制 23. TUN/TAP 裝置 24. bridge 裝置 25.

VLAN 26. bonding 驅動程式 27. Network Drop Monitor Chapter 5 虛擬化 28. 使用 Xen 29. 使用 KVM 30. 不使用 DVD 安裝 OS 31. 變更虛擬 CPU 配置方法提昇性能 32. 使用 Extended Page Tables（EPT）提昇 guest OS 性能 33. 以 IOMMU 加速 guest OS 34. 以 IOMMU+SR-IOV 加速 guest OS 35. 以SR-IOV 控制頻寬 36. 以 KSM 節省記憶體 37. 掛載 guest OS 的磁碟 38. 從 g

uest OS 識別虛擬機器環境 39. guest OS 除錯 Chapter 6 節能 40. ACPI 41. 利用 ACPI S-state 42. 利用 CPU 節能（C、P-state） 43. PCI 裝置 hotplug 44. 虛擬化環境下的節能 45. 遠端管理機器電源 46. USB 電力管理 47. 顯示器節能 48. 削減網路裝置使用的電力 49. 關掉鍵盤 LED 省電？ 50. PowerTOP 51. 硬碟節能 Chapter 7 除錯 52. SysRq 按鍵（Magic System Request Key） 53. 使用

diskdump 採取 kernel crash dump 54. 使用 Kdump 採取 kernel crash dump 55. 進行 crash 測試 56. IPMI watchdog timer 57. NMI watchdog timer 58. soft lockup 59. crash 指令 60. coredump filter 61. 為 kernel crash dump 包含的 user mode process 建立 process core dump 62. 以 lockdep 檢查系統的 deadlock 63. 檢查 kernel 的記憶體

釋放漏失 Chapter 8 Pro_ling．Trace 64. 以 perf tools 量測效能（之一） 65. 以 perf tools 量測效能（之二） 66. 對 kernel 與 process 進行各種 profiling 67. 追蹤 kernel 函式呼叫過程 68. ftrace 的 plug-in tracer 69. 紀錄 kernel 的運作事件 70. 使用 trace-cmd 進行 kernel tracing 71. 為 kernel 加入動態 trace event 72. 使用 SystemTap 進行 kernel tracing

73. 以 SystemTap 撰寫對話形式的程式 74. 重複利用 SystemTap 的 script 75. 運用 SystemTap 索引

基於 Profile HMM 的第三代定序之長序列錯誤自更正演算法

為了解決記憶體使用量的問題，作者張勛凱 這樣論述：

高通量及高精確度的次世代定序發展至今已相當成熟，但是僅有數百長度的缺點使得它難以處理複雜基因組區段。第三代定序採單分子實時定序原理，其序列長度長達數萬鹼基，能良好被應用在基因組組裝和結構變異偵測等等。然而長定序技術尚未進展成熟，其資料錯誤率高達15%左右，在高精度需求的分析 (如：基因分型) 無法與次世代定序競爭。因此近年有研究者著重研究錯誤更正演算法，目的是僅透過計算方法將現有長定序資料之錯誤率降低，提高可用程度。現行長定序錯誤更正演算法可劃分為兩大類：一是有次世代定序資料之輔助的混和式更正；二是只依靠長序列間的重疊資訊產生共識序列的自更正。由於自更正演算法不需要短定序資料，相較之下大幅節

省了定序的時間與金錢成本，成為目前更正演算法的主流。現今長定序自更正演算法的相關研究有Canu、CONSENT與LoRMA等等，在我們實測部分工具後，發現更正成效仍有進步空間，且某些工具會過度裁切甚至丟棄它們無法更正的序列，丟失定序資訊將會不易下游應用，例如導致更正序列組裝後的結果甚至不如原始序列。我們研發出一套基於機率統計模型的自更正演算法工具：Triceps，先利用對齊工具找出長序列間的重疊資訊後，使用分治法切分重疊區域，在計算出重疊序列的多重序列對齊後，以Profile Hidden Markov Model表達該多重序列對齊，並以Viterbi演算法解析出隱含狀態路徑求得共識序列，最後

再利用EM演算法重複更正，得出最有可能的共識序列。本研究使用模擬工具產生具有正確答案的資料，以不同定序深度的資料測試後，我們的Triceps在深度70下有99.89%的更正成效，在深度20仍有99%左右的表現。後續基因組裝的成效也勝過其他工具 (CONSENT、Canu與LoRMA)，其長度最高甚至有2倍的差距，具有一定的實用價值。