云计算平台监控指标的稳定性直接影响着平台支撑服务的实时有效性和准确性。针对目前监控工具的监控指标多而杂,不直观,用户难以快速、准确了解平台运行状态的问题,本文从平台作业性能影响因素入手,深入研究反应云计算平台状态的性能指标,提出一套云计算平台的简洁、直观的硬件性能监控指标体系,以及数据获取和指标计算的方法。同时,论文提出了云计算平台状态监控软件通用模型,并给出了一个利用现有监控框架,通过定义插件方式,实现平台性能指标数据采集、处理,以及平台运行状态趋势分析的实现方案。定时任务对历史数据进行处理，减少磁盘存储和查询压力，利用Icinga告警机制，自定义插件脚本，研究各监控指标的阈值设置，实现故障告警，前端可视化采用当前比较流行的开源技术Echarts搭配PHP脚本语言，图表直观人性化。本文提出的监控系统很好的实现了性能监控、本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/ 故障告警、前端可视化展示，完成了云计算平台对监控软件的需求。网络代价函数选择-数控滚圆机滚弧机折弯机张家港电动滚圆机滚弧机折弯机之后的研究方向为研究反映云计算平台故障预测技术深度神经网络在诸多领域取得重大突破,已经成为推动人工智能发展的主要力量,但其模型在训练过程中需要使用随机梯度下降算法在大量的训练数据上进行长时间的计算,其中,代价函数和激活函数的选择对模型的训练效率有很大的影响。利用概率论对模型训练中常用的二次代价函数和交叉熵函数进行理论推导,揭示了两者在模型训练过程中对参数寻优的影响,并给出了它们与不同激活函数的组合效果。经过TensorFlow平台验证,表明优选的代价函数和激活函数组合可以减少参数寻优的迭代次数从而加快模型的训练过程。 anh激活函数Tanh函数与Sigmoid函数具有相似的性质，是典型的S型函数，表达式如式（36）所示，函数值在-1到1之间，如图2所示。相比Sigmoid函数，Tanh函数延迟了饱和期。对比图1和如图2可知，Tanh函数与Sigmoid函数一样具有软饱和的特性，同样会陷入局部最优解，使神经网络训练难度加大，但Tanh函数性能优于Sigmoid函数。exp()exp()tanh()exp()exp()xxxxx（36）图2Tanh函数Fig.2Tanhfunction2.3.3ReLu激活函数Relu函数表达式如式（37）所示，函数值为0或x，如图3所示。Relu激活函数避免了S型激活函数饱和区对神经网络收敛速度的限制[10]，但是Relu激活函数在训练时非常脆弱，流经ReLu神经元的一个大梯度导致权重更新后该神经元接收到的网络代价函数选择-数控滚圆机滚弧机折弯机张家港电动滚圆机滚弧机折弯机本文由公司网站滚圆机网站 转摘采集转载中国知网整理!   http://www.dapengkuoguanji.com/