828华为云征文|Flexus X初体验之部署xxl-job - 分布式任务调度平台

generate for与always内for:Verilog循环的静态生成与动态执行之辨 本文深入解析Verilog中generate for与always内部for循环的核心差异。generate for使用genvar变量在编译时静态生成硬件结构,适用于模块实例化;always内部for使用整型变量在运行时动态执行,综合为并行逻辑。理解这两种循环的适用场景和综合结果对提升数字电路设计质量至关重要。 阅读详情

目录

前言        

XXL-JOB简介:

部署:

Flexus X安装JDK:

Flexus X安装Mysql:

1). Mysql下载及安装 

2).修改密码

3).设置对外访问

 源码下载,修改配置文件及编译,部署:

总结:


前言        

        当前,正值华为云隆重推出的828 B2B企业节活动期间,其中Flexus X实例的优惠促销力度尤为吸引人,强烈建议各位业界同仁积极参与探索。特别是对于在业务运营中对算力性能有严苛需求,同时希望自建的MySQL数据库、Redis缓存系统以及Nginx服务器能够发挥卓越性能的朋友们,这绝对是一个不容错过的良机,务必前往了解详情。   

     

        我是第二次参加华为和优快云的测评活动了,这一次测试的是华为云Flexus系列的云服务X实例, Flexus X产品和我们经常用的ECS弹性服务器来说是有一些区别的. ECS一般指的是弹性云服务器, 而Flexus应用服务器L实例可视为轻量级应用服务器,主要是满足一些我们简单的WEB部署这些,适配一些简单的小型的应用或者场景. Flexus云服务器X实例则位于L实例和ECS之间(也可以当作ECS,毕竟控制台显示的就是ECS)。X实例通过提供更均衡的资源配置,旨在满足部分对性能有更高需求但未达到专业级应用的场景。它简化了ECS的购买和配置过程,使得用户可以更快速地启动服务,同时保持较高的性价比。我截去了一些官网上的图片,用官方的介绍来表达他应该是更加的准确:

另外一个显著的特征,就是可以按照自己的实际需求对配置服务进行精确化购买以及是否通过开启性能模式来获取极致的稳定性能SLA保障

长话短说,我已经通过官方提供的优惠券获取了一定额度的配置,接下来就让我来进行第一次的尝试,也是我一直想进行的一个实验,部署一套xxl-job 分布式任务调度平台.通过这个部署来感受一下Flexus X到底如何.

XXL-JOB简介:

        在我们的平时项目中,定时任务扮演着至关重要的角色。无论是数据同步、报表生成,还是消息推送、定时清理,都需要依赖定时任务来准确、高效地执行。比如说某电商系统需要在每天上午10点,下午3点,晚上8点发放一批优惠券;12306会根据车次的不同,设置某几个时间点进行分批放票等。XXL-JOB是一款轻量级分布式任务调度平台,它可以给我们提供了稳定、可靠、易用的定时任务解决方案。它采用中心化设计,调度中心负责任务管理、调度,执行器负责任务执行。除此之外,XXL-JOB还支持多种调度模式,比如固定速率执行、Cron表达式等,满足不同业务场景的需求。具体的使用等等在此就不多复述了,毕竟本次重心工作主要是进行部署

部署:

        xxl-job调度中心环境要求:

  • JDK1.8+
  • Maven3+
  • Mysql5.7+
        Flexus X安装JDK:

       Flexus X安装JDK和我们在其他的环境中操作没有什么差别,具体的安装步骤如下: 

检查yum源是否有JDK

yum -y list java*

根据结果执行安装命令:

 yum install -y java-1.8.0-openjdk.x86_64

执行命令看是否安装成功:

java -version

有版本提示 安装成功

Flexus X安装Mysql:

在购买的时候,可以选中是否对应用进行加速,  在购买X实例时配置应用加速后,X实例Huawei Cloud EulerOS 2.0系统会根据所选Nginx、Redis或MySql应用,在CPU、内存、网络、存储、内核等领域以及应用本身针对性调优,达到最优状态 。优化后,业务在运行Nginx、Redis或MySql等典型业务时可以获得20%以上的性能提升。本次实验已勾选了该选项.

检查yun源是否有mysql

执行安装  yum install mysql

第一次安装的时候,走到这里走不通了,缺少clent和lib,然后经过查询之后,决定使用最笨的办法,去官网下载 然后再手动安装

1). Mysql下载及安装 

        下载地址:MySQL :: Download MySQL Community Server HuaweiCloudEulerOS是基于Linux的,选择对对应的版本

     然后分别下载其中的 Server、Client、Common、Libs

      下载完成之后上传到我们的服务器中 如图所示:

        安装顺序:common→libs→client→server

        使用rpm -ivh 包名 安装组件,在文件所属的文件夹下 使用命令分别依次执行,最后的结果如图所示:

        查看mysql安装结果:  rpm -qa | grep mysql

        查看MySQL的状态: systemctl status mysqld 默认为未启动状态

        执行命令启动mysql服务: systemctl start mysqld ,绿色的active(running)表示启动成功!

2).修改密码

        在修改mysql的密码和远程访问前,我已经修改过了服务器的安全组,设置了3306端口向外暴露,要不然Navicat等工具也是没有办法访问到本服务上的mysql.

        先使用 cat /var/log/mysqld.log | grep password 命令查看原始密码,可以使用原始密码进行登录,也可以通过配置使得mysql不用密码即可登录(慎重!).

        这里我们选择第二种: 向/etc/my.cnf文件中添加配置: skip-grant-tables

        保存文件后重启即可直接登录,无需输入密码. 

我们已经登录了服务,切换到mysql库,可以通过下面的sql查询用户的权限

select user, host, authentication_string from user;

使用sql修改初始化密码

update user set authentication_string=password('<new_password>') where user='用户';

其中更换的密码为两个' '之间的,不需要包含<>

修改后使用 flush privileges; 刷新权限

删除当时跳过mysql登录的配置项   systemctl restart mysqld 重启服务

重新登录 验证是否修改成功,下面圈出来的错误就是因为修改的密码把<>复制进去了,导致三次都不对

用修改过的密码登录的时候,想要开放mysql的访问权限时,发现提示需要再次修改密码

重复上述updata操作,换一个新的密码,并刷新权限

update user set authentication_string=password('<new_password>') where user='用户';

 flush privileges; 

这个时候会提示mysql设置的密码太简单,我们需要执行下面的sql进行设置

1.mysql>  set global validate_password_policy=0;
2.mysql> set global validate_password_length=1;

这样 密码修改就最终完成了

3).设置对外访问

        设置对外访问是最简单的,第一步执行sql设置root用户的访问限制,当然 这里也可以自己新增一个用户用来专门对外访问,操作步骤如下所示:

  1. 登录mysql
  2. use mysql
  3. 执行sql: update user set host='%' where user='root';
  4. 刷新权限

测试,在Navicat中输入账号密码,并点击测试,最终显示结果如下 表示整个mysql的安装和设置访问外网已经完成了!

 源码下载,修改配置文件及编译,部署:

1. 从git或官网上下载下来对应的源码,解压后导入到idea中.

2. 初始化数据库,将sql导致Navicat中进行执行

- xxl_job_lock:任务调度锁表;
- xxl_job_group:执行器信息表,维护任务执行器信息;
- xxl_job_info:调度扩展信息表: 用于保存XXL-JOB调度任务的扩展信息,如任务分组、任务名、机器地址、执行器、执行入参和报警邮件等等;
- xxl_job_log:调度日志表: 用于保存XXL-JOB任务调度的历史信息,如调度结果、执行结果、调度入参、调度机器和执行器等等;
- xxl_job_logglue:任务GLUE日志:用于保存GLUE更新历史,用于支持GLUE的版本回溯功能;
- xxl_job_registry:执行器注册表,维护在线的执行器和调度中心机器地址信息;
- xxl_job_user:系统用户表;

3. 配置调度中心:

        调度中心项目:xxl-job-admin

        作用:统一管理任务调度平台上调度任务,负责触发调度执行,并且提供任务管理平台。

        修改配置中心相关的配置: 主要修改的mysql的配置,如果需要其他的例如email的通知,配置相对应的mail参数即可,此地不再复述.

4. 部署配置中心: 将项目在idea里面通过maven直接打包成jar后放到服务器,以守护进程进行运行,结果如图所示:

        在浏览器进行访问:

输入账号密码进行登录:

5. 向调度中心部署自己的任务:

        此次只为简单调用,不在创建复杂的任务,直接使用官方给的项目进行测试,同配置中心一样打包后上传,启动

在调度中心配置执行器

在任务管理处新增任务,并关联执行器等,填写corn和必要的设置(已部署的代码中相关任务已经编写好代码了)

选择执行一次或者启动

查看执行效果: 

        单词执行:

        安装corn执行: 日志列表正常触发

        log正常打印

总结:

        到此为止,上述的整个实验就完成了. 总结一下本次过程中一些碰到的问题. 首先是Mysql的部署问题, 在第一天的时候,通过yum形式反复安装了很多次,总是不成功,可能和源不完整有关,缺失clent和lib,后来通过手动上传进行了安装. 第二个问题的化是安全组和访问端口的配置,因为我们公司是开发和运维分别只关系自己的工作,所以在发布xxl-job的配置中心的时候,没有配置访问端口,导致一直发布不成功,后来经过排查 设置后,终于得以顺利进行.最后 Huawei Cloud EulerOS也还是基于Linux版本进行开发的,总体和CentOS来说没有什么区别.使用起来丝滑流畅..而且开启了加速后的应用 感觉mysql性能更加强大了! That is it !

AMBA-CHI协议详解(三) Write Transactions、Atomic transactions、 Stash transactions、 Dataless transactions的等各个事务的事务流。 阅读详情

相关推荐

Kali Linux渗透测试:蚁剑(AntSword)三种安装方法与避坑指南

WebShell管理是渗透测试与网络安全攻防演练中的关键技术环节,它允许安全人员在获得初步访问权限后,对目标系统进行文件管理、命令执行和数据库操作等深度控制。其核心原理是通过在Web服务器上植入特定脚本,建立一条隐蔽的远程管理通道。在实战中,一个高效、稳定的WebShell管理工具能极大提升后渗透阶段的工作效率与成功率。蚁剑(AntSword)作为一款功能强大的国产开源工具,凭借其插件化架构和图形化界面,成为众多安全研究人员的首选。本文将聚焦于如何在渗透测试专用操作系统Kali Linux上部署蚁剑,详细对

weixin_34413103的博客 415

分布式任务调度平台一站式讲解

文章目录一、传统的定时任务1. 传统的定时任务存在那些缺点2. 定时任务集群幂等性问题二、传统定时任务的实现方案2.1. 多线程2.2. TimeTask2.3. 线程池2.4. SpringBoot注解形式2.5. 基于Quartz三、分布式任务调度平台架构设计原理3.1. xxl-job项目模块讲解3.2. 最佳实战3.3. Xxl-job定时任务框架实现原理四、常见面试题4.1. XXL-JOB与ElasticJob区别之间区别4.2. 分布式任务调度分片集群策略原理4.3. 如何保证任务调度平台

Gblfy_Blog 2801

深入解析DDR5 RFM机制:从JESD79-5标准到硬件实现

本文深入解析了DDR5内存标准中的关键机制——RFM(Refresh Management)。文章从JESD79-5标准出发,详细阐述了RFM如何通过RAA计数器实现从被动定时到主动响应的智能刷新管理,并探讨了其硬件实现细节、命令调度挑战及系统级设计考量,为芯片设计工程师优化DDR5内存子系统性能与可靠性提供了实践指导。

fff88的博客 494

分布式任务调度平台 XXL-JOB 实战

高可用:单机版的定式任务调度只能在一台机器上运行,如果程序或者系统出现异常就会导致功能不可用;防止重复执行: 在单机模式下,定时任务是没什么问题的。但当我们部署了多台服务,同时又每台服务又有定时任务时,若不进行合理的控制在同一时间,只有一个定时任务启动执行,这时,定时执行的结果就可能存在混乱和错误了;单机处理极限:原本1分钟内需要处理1万个订单,但是现在需要1分钟内处理10万个订单;原来一个统计需要1小时,现在业务方需要10分钟就统计出来。你也许会说,你也可以多线。

Java技术一点通 1411

SAP CO-PA数据传送避坑指南:销售开票与FI/MM记账的日常配置实操(含KEKF/KE4I/KEI2)

本文深入解析SAP CO-PA数据传送中的常见配置问题,特别是销售开票与FI/MM记账环节的实操避坑指南。通过KEKF/KE4I/KEI2等关键配置点的详细说明,帮助用户避免数据失真和重复记录,提升获利能力分析的准确性。文章结合实战案例,揭示官方文档未提及的'数据黑洞'形成机制,为SAP顾问提供实用的排雷手册。

weixin_26905487的博客 391

DeepSeek Harness接入QQ实战:把DSH变成赛博群友

大模型应用正从单机问答走向多平台集成,如何将模型能力嵌入即时通讯工具成为工程实践的热点。消息接入、会话管理、插件扩展是构建智能群聊机器人的核心三要素。DeepSeek Harness(DSH)作为一款模型会话工作流管理工具,凭借多会话管理、模型调用编排以及灵活的插件机制,能够在QQ群聊场景中实现“接收消息→模型生成→回复推送”的完整闭环。本文从基础概念切入,详解DSH接入QQ的两种实现路线——外部API转发与原生插件适配,覆盖环境准备、启动调试、接口调用与性能观察,并给出常见问题排查清单。无论是本地AI助理

weixin_27427619的博客 1998

《分布式任务调度平台XXL-JOB》

一、简介 1.1 概述 XXL-JOB是一个轻量级分布式任务调度平台,其核心设计目标是开发迅速、学习简单、轻量级、易扩展。现已开放源代码并接入多家公司线上产品线,开箱即用。 1.2 特性 1、简单:支持通过Web页面对任务进行CRUD操作,操作简单,一分钟上手; 2、动态:支持动态修改任务状态、暂停/恢复任务,以及终止运行中任务,即时生效; 3、调度中心HA(中心式):调度采用中心式设...

博客简介 1万+

如何利用Arcgis进行地统计学分析(三):空间插值方法选择与优化

本文深入探讨了在Arcgis中进行地统计学分析时,如何根据探索性数据分析(EDA)结果科学选择与优化空间插值方法。文章对比了IDW、RBF、克里金等主流方法的适用场景与核心参数,并通过实战案例详解了从数据诊断到模型调优的完整流程,强调结合半变异函数与趋势分析进行“对症下药”,以提升插值结果的精度与可靠性。

weixin_29281915的博客 122

速度围观|使用分布式企业级任务调度平台,到底有多香?

谷歌云首席决策工程师Kasim Khan曾提到:“在云计算环境中,自动化和效率是关键。”任务调度平台通过优化资源使用和集中管理功能,提供了一系列强大的调度策略、执行管理、监控报警和开发者工具,极大地简化了任务调度的复杂性,从而提升了系统的自动化水平和运维效率。

weixin_51517346的博客 1310

FortiGate-60E防火墙忘记密码?用Console线+TFTP重装固件v7.0.9全流程

本文详细介绍了当FortiGate-60E防火墙忘记密码且物理重置无效时,如何通过Console线连接并利用TFTP服务器重装固件(如v7.0.9)的全流程。从恢复原理、工具准备、网络配置到逐步执行命令,提供了完整的实战指南,帮助管理员彻底恢复设备出厂设置并重置密码。

snow3的博客 334

2025年上半年第1批信息系统项目管理师论文真题解析与范文

文章首先分析了项目经理在交付绩效域中应关注的重点领域,然后按照项目管理五大过程组顺序,阐述了各过程组中与交付绩效域协同的绩效域及协调目标,最后制定了各过程组中交付绩效域的测量指标。本项目的实践表明,系统化的交付绩效管理不仅能保证项目成功,还能创造超出预期的业务价值。需要结合具体项目案例,按照五大过程组(启动、规划、执行、监控、收尾)顺序,分析各过程组中与交付绩效域协同的其他绩效域及其协调目标。价值交付连续性:建立敏捷交付机制,将项目分解为12个迭代周期,每周期交付可验证成果,确保价值持续流动。

Programming Talk 823

Dolphinscheduler 学习笔记

Dolphinscheduler官网 https://dolphinscheduler.apache.org/ Dolphinscheduler下载地址 https://www.apache.org/dyn/closer.lua/dolphinscheduler/1.3.9/apache-dolphinscheduler-1.3.9-bin.tar.gz 一. DolphinScheduler简介 1.1 DolphinScheduler概述 Apache DolphinScheduler是一个分布式、

十二的博客 8322

DNA图谱分析:自动分析DNA图谱中的变异YOLOv5、YOLOv8、YOLOv10

YOLO(You Only Look Once)是一种基于卷积神经网络(CNN)的目标检测模型,因其高效的检测速度和优异的精度而广泛应用于计算机视觉任务。一次性检测:与传统的目标检测方法不同,YOLO通过回归方法同时预测多个边界框和类别信息,从而实现高效的目标检测。高精度与高速度:YOLO在检测精度和速度之间找到了平衡,适用于实时目标检测任务。

YOLO 735

828华为云征文|在Flexus X上部署ELK日志系统

当前,正值华为云隆重推出的828 B2B企业节活动期间,其中Flexus X实例的优惠促销力度尤为吸引人,强烈建议各位业界同仁积极参与探索。特别是对于在业务运营中对算力性能有严苛需求,同时希望自建的MySQL数据库、Redis缓存系统以及Nginx服务器能够发挥卓越性能的朋友们,这绝对是一个不容错过的良机,务必前往了解详情。

Baby_Bus666的博客 1153

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

[Java 探索者之路] 一个大厂都在用的分布式任务调度平台

XXL-JOB是一个全功能、高扩展性的开源分布式任务调度框架,也是一个优秀的定时任务调度平台,给开发者带来便捷的定时任务管理和控制能力。它的核心目标是开发迅速、学习简单、轻量级、易扩展。

程序员三木的博客 2386

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

分布式任务调度平台201902

1.调度平台简介 2.xxl-job简介 3.代码模拟演示 1.调度平台简介 为什么需要调度平台 当然是程序的发展,需要引入统一任务治理 1,每个服务器各个服务下的任务管理混乱,生命周期无法统一协调管理 2,定时任务运行异常告警难以统一对接 3,随着时间增长,当定...

chizhe1296的博客 677

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

分布式任务调度平台XXL-JOB搭建教程

1、源码下载地址 ①、GitHub:https://github.com/xuxueli/xxl-job ②、码云:https://gitee.com/xuxueli0323/xxl-job 2、文档地址 ①、中文文档:http://www.xuxueli.com/xxl-job/#/ ②、英文文档:http://www.xuxueli.com/xxl-job/en/#/ 3、源码结构 通过上面给出的源码下载地址,我们将源码clone到IDEA中,如下: 4、初始化数据库 初始化脚本在

GSON的博客 6094

分布式任务调度平台——XXL-JOB

一起进入分布式任务调度平台XXL-JOB的世界吧!

码说芯语的博客 2562

分布式调度平台_XXL-JOB

传统任务调度存在的缺陷 定时任务业务逻辑代码和非定时业务逻辑代码放入在同一个jar中,如果是定时任务代码导致整个服务器崩毁,也会导致非定时业务逻辑代码崩溃。 如果定时任务和非定时任务业务逻辑放入在同一个jar中,集群的时候可能会造成定时任务重复执行。 如何在集群中,保证我们的定时任务只会触发一次? 将业务逻辑和定时任务逻辑完全分开部署,只对业务逻辑实现集群,不对我们的定时任务逻辑集群; 对我们Jar包加上一个开关,项目启动的时候读取该开关 如果为true的情况下则加载定时任务类,否则情况下就不加载

weixin_44044929的博客 530

SpringBoot工具篇--XXL-JOB 分布式任务调度平台

XXL-JOB是一个轻量级分布式任务调度平台,其核心设计目标是开发迅速、学习简单、轻量级、易扩展。现已开放源代码并接入多家公司线上产品线,开箱即用。

拾一二的博客 7955

分布式任务调度平台 XXL-JOB

https://opentalk.upyun.com/303.html 2017 年 10 月 22 日,又拍云 Open Talk 联合 Spring Cloud 中国社区成功举办了“进击的微服务实战派上海站”。大众点评研发工程师许雪里作了《XXL-JOB :分布式任务调度平台》,以下是分享整理: 一、XXL-JOB简介 (一)分布式系统对任务调度的几点要求 随着公司推进微服...

486

XXL-JOB 分布式任务调度平台

XXL-JOB 是由国人许雪里开发的一个 开源的。学习简单、轻量级、易扩展,开箱即用,现已开放源代码并接入200多家公司线上产品线。

IAMZTDSF的博客 2249

分布式任务调度平台XXL-JOB

《分布式任务调度平台XXL-JOB》 一、简介 1.1 概述 XXL-JOB是一个轻量级分布式任务调度框架,其核心设计目标是开发迅速、学习简单、轻量级、易扩展。现已开放源代码并接入多家公司线上产品线,开箱即用。 1.2 特性 1、简单:支持通过Web页面对任务进行CRUD操作,操作简单,一分钟上手; 2、动态:支持动态修改任务状态、暂...

weixin_33975951的博客 589

玩转分布式任务调度平台

分布式系统(distributed system)是建立在网络之上的软件系统。正是因为软件的特性,所以分布式系统具有高度的内聚性和透明性。因此,网络和分布式系统之间的区别更多的在于高层软件(特别是操作系统),而不是硬件 第一节(任务调度概述) 第二节(使用Quartz实现定时调度) 第三节(分布JOB如何解决幂等性) 第四节(XXL-JOB环境概述) 第五节(分布式任务调度平台执行原理) VIP...

weixin_45017862的博客 277

使用IDEA搭建XXL-JOB分布式任务调度平台

1、什么是分布式调度平台 什么是任务调度? 考虑以下应用场景: 某电商系统需要在每天上午10点,下午3点,晚上8点发放一批优惠券。 某银行系统需要在信用卡到期还款日的前三天进行短信提醒。 某财务系统需要在每天凌晨0:10结算前一天的财务数据,统计汇总。 12306会根据车次的不同,而设置某几个时间点进行分批放票。 某网站为了实现天气实时展示,每隔5分钟就去天气服务器获取最新的实时天气信息。 任务调度就是指系统为了自动完成特定任务,在约定的特定时刻去执行任务的过程。通俗一点说,任务调度就是传统的定时自动执行

小哈里的博客 1862

在IDEA上搭建Xxl-job分布式调度平台

idea搭建xxljob

weixin_52163350的博客 1746
上一篇: springboot监听器
下一篇: 828华为云征文|在Flexus X上部署ELK日志系统
Baby_Bus666
博客等级 码龄4年 123粉丝 10原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值