我试图了解如何使用azure函数进行缩放.我们一直在测试一个在存储队列中生成88条消息的应用程序,这会触发我们的功能.该函数用c#编写.该函数下载一个文件,对其执行一些处理(它最终会将其发回,但我们尚未将其用于测试目的).每个请求完成该功能大约需要30秒(处理总共约2500秒).出于测试目的,我们循环10次.
我们理想的情况是,在一些变暖之后,Azure会自动扩展功能,以便以最便捷的方式处理消息.使用某种算法考虑旋转时间等.或者只是扩展到积压中的消息数量,带有某种上限.
这是它应该如何工作？我们从来没有能够超过7'消费单位'.通常需要大约45分钟来处理消息队列.
几个其他问题的可扩展性...我们的功能是一个内存密集型操作,如何在一个函数的缩放实例中共享内存？我问,因为我们看到一些内存不足的错误,我们通常不会看到.我们为该功能配置了最大内存(1536MB).看到大约2.5%的操作因内存不足错误而失败
在此先感谢,我们真的希望能够完成这项工作,因为它可以让我们将大部分工作从EC2上的专用Windows VM转移到Azure功能上.
我正在与Keras合作完成句子相似性任务(使用STS数据集)并且在合并图层时遇到问题.数据由1184个句子对组成,每个句子对在0到5之间得分.下面是我的numpy数组的形状.我已经将每个句子填充到50个单词并运行它们并嵌入图层,使用100个尺寸的手套嵌入.合并两个网络时,我收到错误..
Exception: Error when checking model input: the list of Numpy arrays that you are passing to your model is not the size the model expected. Expected to see 1 arrays but instead got the following list of 2 arrays:
这是我的代码的样子
total training data = 1184
X1.shape = (1184, 50)
X2.shape = (1184, 50)
Y.shape = (1184, 1)
embedding_matrix = np.zeros((len(word_index) + 1, EMBEDDING_DIM))
for word, i in word_index.items():
embedding_vector = embeddings_index.get(word)
if embedding_vector is not None:
# words not …我们正在尝试测试Azure功能的可扩展性(它是一只熊).我们遇到了这个https://azure.microsoft.com/en-in/documentation/articles/functions-reference/#parallel-execution
如果功能应用程序正在使用动态服务计划,则功能应用程序可以自动扩展到最多10个并发实例.功能应用的每个实例,无论应用是在动态服务计划上运行还是在常规应用服务计划上运行
这是否意味着单个函数的最大可伸缩性仅为10？我们从来没有能够超过10个单位运行...(关于算法的先前问题确定添加另一个消耗单位,这是确定可伸缩性的上端).
谢谢