if any of the current values are larger than the recommended value, then specify the larger value.
If the current value for any parameter is higher than the value listed in this table, then do not change the value of that parameter
如果/etc/sysctl.conf中的kernel.shmmax比推荐的值大 那么使用较大的值
[oracle@jssweb ~]$ getconf PAGE_SIZE  查看页大小
#
kernel.shmall = 2097152  则一共是8G的共享内存总量
SHMALL   单位页
Finally, we look at the SHMALL shared memory kernel parameter. This parameter controls the total amount of shared memory (in pages) that can be used at one time on the system. In short, the value 
of this parameter should always be at least:  
ceil(SHMMAX/PAGE_SIZE)
Kernel.shmall：共享内存总量，以页为单位。Linux 共享内存页大小为4KB, 共享内 
存段的大小都是共享内存页大小的整数倍。一个共享内存段的最大大小是16G，那么需 
要共享内存页数是 16GB/4KB=16777216KB/4KB=4194304 （页），也就是64Bit 系统下 
16GB 物理内存，设置 kernel.shmall = 4194304 才符合要求(几乎是原来设置2097152 
的两倍)。这时可以将shmmax 参数调整到 16G 了，同时可以修改SGA_MAX_SIZE 和 
SGA_TARGET 为 12G（您想设置的SGA 最大大小，当然也可以是2G~14G 等，还要协调PGA 
参数及OS 等其他内存使用，不能设置太满，比如16G）。
默认是kernel.shmall = 4294967296 足够大了
kernel.shmmax：Shmmax 是核心参数中最重要的参数之一，用于定义单个共享内存段的最大值，shmmax 设置应该足够大，能在一个共享内存段下容纳下整个的SGA ,设置的过低可能会导致需要创建多个共享内存段，这样可能
导致系统性能的下降，最大值为16GB(在大多数情况下，该值应该比SGA大)。
SHMMAX Available physical memory Defines the maximum allowable size 
of one shared memory segment. The SHMMAX setting should be large enough 
to hold the entire SGA in one shared memory segment. A low setting can 
cause creation of multiple shared memory segments which may lead to 
performance degradation
#
kernel.shmall：控制共享内存页数，Linux 共享内存页大小为4KB, 共享内存段的大小都是共享内存页大小的整数倍。一个共享内存段的最大大小是16G，那么需要共享内存页数是 16GB/4KB=16777216KB/4KB=4194304。
kernel.shmmax：Shmmax 是核心参数中最重要的参数之一，用于定义单个共享内存段的最大值，shmmax 设置应该足够大，能在一个共享内存段下容纳下整个的SGA ,设置的过低可能会导致需要创建多个共享内存段，这样可能
导致系统性能的下降，最大值为16GB(在大多数情况下，该值应该比SGA大)。
kernel.shmmni：共享内存段的最大数量，shmmni 缺省值 4096 ，一般肯定是够用了
kernel.shmall的单位是页。对于X86的linux系统，一页=4k，也就是4096字节。kernel.shmall = 2097152  就是 2097152*4k/1024/1024 = 8G 就是说可用共享内存一共8G。
kernel.sem(SEMMSL SEMMNS SEMOPM SEMMNI) 
SEMMSL，每个信号量集中的最大信号量数，应该设置为服务器中各个实例中PROCESSES参数的和+10；
SEMMNS，系统中信号量的最大数，参数应设置为SEMMSL*SEMMNI；
SEMOPM，每个信号量调用所包含的最大操作数； 
SEMMNI：系统中信号量集的最大数。
[oracle@jssweb ~]$ cat /etc/sysctl.conf  | grep shm 
kernel.shmall = 2097152 
kernel.shmmax = 536870912 
此时kernel.shmmax为512M 
kernel.shmall 是8G
kernel.shmall = 2097152  则一共是8G的共享内存总量
SHMMAX
含义：单个共享内存段最大字节数 
设置：比SGA略大
SHMALL
含义：系统中共享内存页总数 
设置：至少ceil(shmmax/PAGE_SIZE)；ORACLE DOC 默认值：2097152*4096=8GB
Using any text editor, create or edit the /etc/sysctl.conf file, and add or edit lines similar to the following:
Note:
Include lines only for the kernel parameter values that you want to change. For the semaphore parameters (kernel.sem), you must specify all four values. However, if any of the current values are 
larger than the minimum value, then specify the larger value.
#
kernel.shmall = 40960 
kernel.shmmax = 536870912 
kernel.shmall = 40960 转换成是40960*4/1024=160M
SQL> startup 
ORA-27102: out of memory 
Linux Error: 28: No space left on device
SGA 160M
PGA 16M
kernel.shmall设置为175M就可以启动
kernel.shmall设置为161M 数据库无法启动
kernel.shmall设置为162M 数据库无法启动
kernel.shmall = 2097152  则一共是8G的共享内存总量
[root@jssweb ~]# ipcs -m
—— Shared Memory Segments ——– 
key        shmid      owner      perms      bytes      nattch     status 
0x00000000 32768      gdm       600        393216     2          dest 
0x4cd60004 393217     oracle    640        169869312  16  
此时总共的共享内存:162+0.375M
kernel.shmall设置为163M
此时在启用一个实例: 
oracle@jssweb dbs]cpspfilejssweb.oraspfileperass.ora[oracle@jsswebdbs] cpspfilejssweb.oraspfileperass.ora[oracle@jsswebdbs] export ORACLE_SID=perass 
[oracle@jssweb dbs]$ sqlplus / as sysdba
SQL*Plus: Release 10.2.0.1.0 - Production on Tue Mar 22 07:01:06 2011
Copyright (c) 1982, 2005, Oracle.  All rights reserved.
Connected to an idle instance.
SQL> startup nomount; 
ORA-27102: out of memory 
Linux Error: 28: No space left on device
报错
这个参数定义了总共共享内存的页数
            
再分享一下我老师大神的人工智能教程吧。零基础！通俗易懂！风趣幽默！还带黄段子！希望你也加入到我们人工智能的队伍中来！https://blog.csdn.net/jiangjunshow

在prml这本书的第六章kernel methods提到了一种非参数回归的方法Kernel regression，这种模型是基于（特征x之间）特征越相似的则其所对应的y值也应该很相似，只不过他引进了kernel函数来衡量特征之间的相似度。

下面是python代码实现：

import matplotlib.pyplot as plt
import numpy as np
from scipy.spatial.distance import  pdist,squareform,cdist
class KernelRegression:
    def __init__(self,bandwidth):
        self.bandwidth=bandwidth#带宽这是主要的调节参数
    def fit(self,X,Y):
        self.X=X
        self.Y=Y
        return self
    def predict(self,data):
        size=self.X.shape[0]
        #计算测试数据和原始数据的距离
        distance=cdist(self.X,data)**2
        #将距离变换成kernel相似度
        kernel_dist=self.rbf_kernel(distance)
        sum=np.sum(kernel_dist,axis=1).reshape((size,1))
        weight=kernel_dist/sum
        #得到预测值，其实就是加权和，距离近的权重大，距离远的权重小
        pred=weight.T.dot(self.Y)
        return pred
    def rbf_kernel(self,X):
        return np.exp(-X/(self.bandwidth**2))
#训练数据
X=np.linspace(0,10,150).reshape((150,1))
#测试数据
data=np.linspace(0,10,150).reshape((150,1))
#真实值，可以试一下后面的sin函数
Y=np.cos(X)#Y=np.sin(X)
noise=np.random.normal(0,1,Y.shape)
#带噪声的数据，可以自己调节noise的大小
Y_noise=Y+0.4*noise
KG=KernelRegression(0.53)
KG.fit(X,Y_noise)
pred=KG.predict(data)
plt.scatter(X,Y_noise)
plt.plot(X,Y,label="True")
plt.plot(data,pred,label="Predict")
plt.legend()
plt.show()

如下图中，散点为带有噪声的数据 ，

http://blog.csdn.net/mcgrady_tracy/article/details/39342867
mtk kernel即Linux kernel，当然既包括Linux kernel本身，也包括mtk所特有的部分，单独编译kernel的命令是./mk n k，目录组织如下：

1. kernel

2. kernel/mediatek/platform -> ../../mediatek/platform/

3. kernel/mediatek/kernel -> ../../mediatek/kernel/

4. kernel/mediatek/custom/out -> ../../../mediatek/custom/out/


kernel即Linux kernel。在kernel目录中有个mediatek目录，里面有几个链接：

platform：即mediatek/platform，根据这个名字来看应该是同mtk平台相关的，那么实际参与kernel编译的目录是mediatek/platform/mt6582/kernel。

kernel：应该是系统核心代码和驱动代码，目录是mediatek/kernel

out：又是custgen产生的那个目录，同具体的project相关，所以一般使用mtk平台做开发的话也是修改其中的代码，实际参与kernel编译的目录是mediatek/custom/out/hexing82_wet_jb5/kernel。那么这个kernel目录也是由三个目录生成过来的mediatek/custom/common/kernel、mediatek/custom/hexing82_wet_jb5/kernel和mediatek/custom/mt6582/kernel。



注意：使用./mk n k编译完kernel之后，还需要使用命令./mk bootimage打包生成boot.img。


以上之处如又不对之处还望大家指正。



参考文档：MTK Alps Build System.ppt

Jupyter Notebook运行过程中, kernel died.　 

报错信息： 

The kernel appears to have died. It will restart automatically. 

可能原因：安装的一些包现在可能已经不适用了，卸载并重新安装如下包： 

ipykernel 

ipython 

jupyter_client 

jupyter_core 

traitlets 

ipython_genutils

若是在conda环境内，重新新建一个环境即可．

参考：jupyter kernal keeps dying #1892