儲存設備storage的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

踏入雲端虛擬化的第一步：VMware vSphere 5 企業建置教戰手扎 (附教學影片)

為了解決儲存設備storage的問題，作者周伯恆 這樣論述：

VMware vSphere Hypervisor(ESXi)　　vSphere 5後，不再有ESX，只有ESXi，功能上有分免費和付費的版本，免費版本如何取得序號，ESXi單機設定、管理、操作，虛擬機器的建立、使用和安裝Guest OS。  網路Newtwork　　網路在虛擬化環境傳輸佔有很大的重要性，除了介紹vSwitch不同類型的建立及設定外，還有如何使用NIC Teaming達成網路永不中斷的架構。 儲存設備Storage　　儲存設備也是虛擬化環境影響效能最重要的一個關鍵，採用免費的Microsoft iSCSI Software Target 3.3建立iSCSI儲存設備環境，

說明如何選擇經濟又實惠的儲存環境。 vCenter Server集中式管理　　眾多的ESXi主機就要靠vCenter Server統一管理，也是實現虛擬化高可用性重要的一環，舉凡vMotion、SvMotion、DRS和FT等高階虛擬化技術都是需要搭配vCenter Server，達到永續不斷運作的雲端環境。 VMware High Availability(HA)高可用性　　VMware vSphere提供了vSphere Client管理設定虛擬化環境，更提供vSphere Web Client讓你無所不在的管理，雖然沒有vSphere Client功能完善，vSphere Web Cli

ent不管身在何地都可以輕鬆管理監控虛擬化環境。 VMware vSphere Web Client　　VMware vSphere提供了vSphere Client管理設定虛擬化環境，更提供vSphere Web Client讓你無所不在的管理，雖然沒有vSphere Client功能完善，vSphere Web Client不管身在何地都可以輕鬆管理監控虛擬化環境。 備份(Backup)　　不管什麼的環境架構下，備份是資料保護最重要的一件事情，儘管虛擬化環境規劃的再強大，定時定期的備份動作還是不可或缺，在此介紹使用為VMware vSphere量身訂做的Acronis vmProtect

7，輕鬆在虛擬化環境備份，但絲毫不影響虛擬機器運作。 作者簡介 周伯恆 台灣唯一微軟Virtual Machine MVP 著作：Hyper-V R2叢集虛擬化技術：容錯移轉、線上備份、集中管理（附DVD)Hyper-V虛擬化技術101問：最小支出、最大獲利的IT部門生存之道Windows Server 2008 R2容錯移轉叢集技術：高可用性、叢集、負載平衡、永不停機CentOS 6.x企業現場實戰寶典(附光碟DVD*2)

儲存設備storage進入發燒排行的影片

應用於物件偵測與關鍵字辨識之強健記憶體內運算設計

為了解決儲存設備storage的問題，作者江宇翔 這樣論述：

近年來，由於不同的應用都能夠藉由和深度學習的結合而達到更好的結果，像是物件偵測、自然語言處理以及圖像辨識，深度學習在終端設備上的發展越來越廣泛。為了應付深度學習模型的龐大資料搬移量，記憶體內運算的技術也在近年來蓬勃發展，不同於傳統的范紐曼架構，記憶體內運算使用類比域的計算使儲存設備也同樣具備運算的能力。儘管記憶體內運算具有降低資料搬移量的優點，比起純數位的設計，在類比域進行計算容易受到非理想效應的影響，包括元件本身或是周邊電路的誤差，這會造成模型災難性的失敗。此篇論文在兩種不同的應用領域針對記憶體內運算進行強健的模型設計及硬體實現。在電阻式記憶體內運算的物件偵測應用當中，我們將重點放在改善模

型對於非理想效應的容忍度。首先，為了降低元件誤差的影響，我們將原本的二值化權重網路改變為三值化權重網路以提高電阻式記憶體中高阻態元件的數量，同時能夠直接使用正權重及負權重位元線上的電流值進行比較而不使用參考位元線作為基準。其次，為了避免使用高精度的正規化偏差值以及所導致的大量低阻態元件佈署，我們選擇將網路中的批次正規化層移除。最後，我們將運算從分次的電流累加運算改為一次性的運算，這能夠將電路中非線性的影響降到最低同時避免使用類比域的累加器。相較於之前的模型會受到這些非理想效應的嚴重影響導致模型無法運作，我們在考慮完整的元件特性誤差，周邊電路誤差以及硬體限制之下，於IVS 3cls中做測試，能夠

將平均精確度下降控制在7.06\%，在重新訓練模型後能更進一步將平均精確度下降的值降低到3.85\%。在靜態隨機存取記憶體內運算的關鍵字辨識應用當中，雖然非理想效應的影響相對較小，但是仍然需要針對周邊電路的誤差進行偏壓佈署補償，在經過補償及微調訓練後，在Google Speech Command Dataset上能夠將準確率下降控制在1.07\%。另外，由於語音訊號會因為不同使用者的資料而有大量的差異，我們提出了在終端設備上進行模型的個人化訓練以提高模型在小部分使用者的準確率，在終端設備的模型訓練需要考量到硬體精度的問題，我們針對這些問題進行誤差縮放和小梯度累積以達到和理想的模型訓練相當的結果

。在後佈局模擬的結果中，這個設計在推論方面相較於現有的成果能夠有更高的能源效率，達到68TOPS/W，同時也因為模型個人化的功能而有更廣泛的應用。