Ubuntu（友邦拓，网友也喜欢称之为“乌班图”）是一个以桌面应用为主的Linux操作系统，其名称来自非洲南部祖鲁语或豪萨语的“ubuntu”一词，意思是“人性”、“我的存在是因为大家的存在”，是非洲传统的一种价值观，类似华人社会的“仁爱”思想.
最近在研究如何提高C++程序的性能，Google开源的TCMalloc,在C++小对象频繁创建销毁的处理上拥有非常大的优势。
在Ubuntu 16.04上使用如下命令安装最新的TCMalloc
|
1 |
$ sudo apt-get install google-perftools |
对于已经编译好的程序，可以使用如下命令，让程序加载TCMalloc来大致测试一下程序性能的提升
|
1 |
$ LD_PRELOAD="/usr/lib/libtcmalloc.so.4" |
目前，perf是Linux系统上最全面最方便的一个性能检测工具。由Linux内核携带并且同步更新。
Ubuntu 16.04系统上需要执行如下命令安装：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 |
# 常规内核使用 #sudo apt-get install linux-tools-generic # 低延时内核使用 #sudo apt-get install linux-tools-lowlatency # 因此我们根据内核自动选择安装 $ sudo apt-get install linux-tools-`uname -r | cut -d- -f1-2`-`uname -r | cut -d- -f3` $ sudo apt-get install linux-tools-common #解决报错"Kernel address maps (/proc/{kallsyms,modules}) were restricted. Check /proc/sys/kernel/kptr_restrict before running 'perf record'". $ sudo sh -c " echo 0 > /proc/sys/kernel/kptr_restrict" |
使用方法如下（gcc编译时最好使用-g参数，生成符号，方便调试）：
|
1 2 3 4 5 6 |
#生成性能日志文件,默认生成 perf.data $ sudo perf record -e cpu-clock -g ./hello #解析性能日志 $ perf report -g -i perf.data |
Ubuntu 16.04下使用GCC5,CUDA 7.5编译Caffe时候报告如下错误：
|
1 |
/usr/lib/gcc/x86_64-linux-gnu/5/include/mwaitxintrin.h(42): error: identifier "__builtin_ia32_mwaitx" is undefined |
目前比较好的解决方法是在编译的时候增加_MWAITXINTRIN_H_INCLUDED宏。
如果使用cmake来编译代码，则只需要在CMakeLists.txt中增加如下语句即可
|
1 |
SET(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -D_MWAITXINTRIN_H_INCLUDED") |
skipfish是Google的工程师MIchal Zalewski开发的一款网站安全检测工具，它完全实现了全自动化操作，不需要人工干预.
在Ubuntu 16.04上使用skipfish是比较简单的，使用如下命令安装
|
1 |
$ sudo apt-get install skipfish |
网站检测命令如下：
|
1 |
$ skipfish -o output_folder http://www.example.com |
其中output_folder是检测结果的输出目录，扫描结束后可打开index.html查看扫描结果。
|
1 |
$ git clone https://github.com/opencv/opencv.git |
|
1 2 3 4 |
$ sudo apt-get install -y cmake #借助系统自带的opencv简化依赖安装步骤 $ sudo apt-get install -y libopencv-dev |
|
1 2 3 4 5 6 7 8 9 |
$ cd opencv $ mkdir build $ cd build $ cmake .. $ make -j 10 |
|
1 |
$ sudo make install |
如果执行cmake时候出现如下错误信息
|
1 2 3 4 5 6 7 8 9 10 |
CMake Error at CMakeLists.txt:11 (message): FATAL: In-source builds are not allowed. You should create separate directory for build files. -- Configuring incomplete, errors occurred! |
则应该是在代码根目录下直接执行过cmake，导致根目录下生成了CMakeCache.txt，需要删除CMakeCache.txt再次执行编译即可。
在使用GPU做计算，比如跑Deep Learning代码的时候，我们可能希望能够实时检测显存的使用情况。
Nvidia自带了一个名为nvidia-smi的命令行工具，会显示显存使用情况，但这个命令行工具只能输出一次结果，不支持持续监控输出。
这时候就需要用到watch命令了.
最近在调试脚本时，偶尔会由于脚本错误，出现一批的进程没有结束的情况. 手工结束进程，太浪费时间，因此找到一个可以批量结束同名进程的脚本命令，如下:
|
1 |
$ ps -ef | grep '进程名' | grep -v grep | awk '{print $2}' | xargs kill -9 |
vim显示行号可以快速的找到代码对应的行。
Ubuntu 16.04 LTS下，vim显示行号的命令如下：
|
1 |
$ sudo vim /etc/vim/vimrc |
在文件的最后一行增加
|
1 |
set nu |
即可。
一般来说你使用的主机会限制你上传文件的大小，在WordPress的媒体文件上传可以看到，大多数都是2MB。如果是图片的话可能会还够用，但是如果是其他文件就不一定够用了。
增大可以上传的文件大小的话,则执行如下命令
|
1 |
$ sudo vim /etc/php/7.0/fpm/php.ini |
搜索"upload_max_filesize"，把默认的2M修改为需要的大小。
搜索"post_max_size",把默认的8M修改为需要的大小。
重启PHP-FPM服务
|
1 |
$ sudo service php7.0-fpm restart |
重新刷新页面，上传文件即可。
最近在使用openface来测试人脸识别，实际过程中发现识别速度非常缓慢，平均每帧的识别速度达到了秒级水平，这个是不可接受的。跟踪代码性能，发现是dlib部分非常缓慢。
根据dlib的文档，默认使用
|
1 |
$ sudo pip install dlib |
安装的dlib库，由于对具体硬件的要求（CPU需要支持AVX指令集），是没有开启AVX指令加速的，另外由于显卡的要求，也是默认不开启CUDA的支持。
如果想要开启这部分加速，需要手工编译安装才可以，具体操作如下：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
$ cd ~ $ mkdir dlib $ sudo pip download dlib $ tar -zxvf tar -zxvf dlib-*.tar.gz $ cd dlib* #安装依赖的库 $ sudo apt-get -y install libopenblas-dev #移除我们以前安装过的dlib $ sudo pip uninstall dlib #开启AVX指令集支持 $ sudo python setup.py install --yes USE_AVX_INSTRUCTIONS |
上面的命令是使用AVX指令加速功能的，如果机器上安装了CUDA，则需要正确安装cuDNN 5.0以上的版本，否在编译的时候会报告
|
1 2 3 4 |
-- Checking if you have the right version of cuDNN installed. -- *** Found cuDNN, but it looks like the wrong version so dlib will not use it. *** -- *** cuDNN V5.0 OR GREATER NOT FOUND. DLIB WILL NOT USE CUDA. *** -- *** If you have cuDNN then set CMAKE_PREFIX_PATH to include cuDNN's folder. |
对于使用
|
1 |
$ sudo apt install nvidia-cuda-toolkit |
安装的CUDA-7.5来说,可以从这里下载cuDNN v6.0 (April 27, 2017), for CUDA 7.5，下载完成后，整个目录中的include目录中的文件解压缩到/usr/local/include/目录下，lib64目录中的内容整个解压缩到/usr/lib/目录下,并且在/usr/local/lib/目录下建立libcudnn.so的软链接
|
1 |
$ sudo ln -s /usr/lib/libcudnn.so /usr/local/lib/libcudnn.so |
都配置正确后，使用如下编译命令安装：
|
1 |
$ sudo python setup.py install --yes DLIB_USE_CUDA |
Easily Create High Quality Object Detectors with Deep Learning