Spring Cloud Feign重试次数配置陷阱(90%开发者都踩过的坑)

配置治理实战:从YAML陷阱到运行时快照比对 配置管理是分布式系统稳定性的底层基石,其本质是覆盖开发、构建、部署、运行全生命周期的动态管控机制。原理上需解决多源定义冲突、环境隔离失效、敏感信息泄露等核心问题;技术价值在于显著降低MTTR、提升故障可追溯性与合规审计效率;典型应用场景包括Kubernetes环境下的ConfigMap/Secret治理、Spring Boot多环境配置校验、Nacos/Apollo配置中心与代码源的一致性保障。本文聚焦YAML语法陷阱、运行时配置快照比对、四维校验模型等一线工程实践,结合yamllint、yq、Actuat 阅读详情

第一章:Spring Cloud Feign重试机制的核心原理

Spring Cloud Feign 是一个声明式的 Web 服务客户端,它简化了 HTTP API 的调用过程。在分布式系统中,网络波动或服务短暂不可用是常见问题,Feign 通过集成 Ribbon 和 Hystrix 提供了内置的重试机制,以增强系统的容错能力。

重试机制的触发条件

当 Feign 客户端发起请求时,若遇到以下情况会触发重试:
  • 连接超时或 Socket 超时
  • 服务端返回 5xx 错误(可配置)
  • Ribbon 检测到实例不可达,自动切换节点

核心配置参数

通过 application.yml 可控制重试行为:
feign:
  client:
    config:
      default:
        connectTimeout: 5000
        readTimeout: 5000
        retryer: com.example.CustomRetryer
其中,retryer 可自定义实现 Retryer 接口,控制重试次数与间隔。

默认重试策略解析

Feign 默认使用 Retryer.Default 策略,其逻辑如下:
// 初始间隔100ms,最大间隔1s,最长执行时间1s,最多尝试3次(含首次)
public class Default implements Retryer {
    private int attempt;
    private final int maxAttempts;
    private long nextInterval;

    public Default() {
        this(100, SECONDS.toMillis(1), 5); // 默认5次
    }

    @Override
    public void continueOrPropagate(RetryableException e) {
        if (attempt++ >= maxAttempts) {
            throw e;
        }
        long interval = nextInterval();
        Thread.sleep(interval);
    }
}

重试流程示意图

graph TD A[发起Feign请求] --> B{请求成功?} B -->|是| C[返回结果] B -->|否| D[判断是否可重试] D --> E[等待间隔时间] E --> F[重新尝试请求] F --> B
参数作用默认值
maxAttempts最大尝试次数(含首次)5
period初始重试间隔(ms)100
maxPeriod最大重试间隔(ms)1000

第二章:Feign默认重试策略深度解析

2.1 Retryer接口设计与默认实现分析

Retryer是服务间通信中处理瞬时故障的核心组件,其设计遵循简洁与可扩展并重的原则。通过定义统一的重试策略接口,实现与业务逻辑的解耦。
核心接口定义
type Retryer interface {
    RetryRules(resp interface{}) bool
    MaxRetries() int
}
该接口包含两个方法:`RetryRules`用于判断是否满足重试条件,通常基于HTTP状态码或异常类型;`MaxRetries`限定最大重试次数,防止无限循环。
默认实现机制
默认实现采用指数退避策略,结合随机抖动避免雪崩。配置参数如下:
参数说明
BaseDelay基础延迟时间,初始等待间隔
MaxDelay单次重试最大延迟上限
Jitter随机抖动因子,缓解并发冲击

2.2 默认重试次数的计算逻辑与触发条件

在分布式系统中,请求失败是常见现象。默认重试机制通过预设策略自动恢复短暂性故障,提升系统稳定性。
重试触发条件
以下情况通常触发重试:
  • 网络超时
  • 服务暂时不可用(如HTTP 503)
  • 连接中断
重试次数计算逻辑
默认重试次数通常基于指数退避算法计算:
// Go 示例:指数退避重试逻辑
func backoffRetry(attempt int) time.Duration {
    return time.Duration(math.Pow(2, float64(attempt))) * time.Second
}
// attempt=0 返回 1s,attempt=1 返回 2s,attempt=2 返回 4s
该算法防止雪崩效应,避免短时间内高频重试加剧系统负载。最大重试次数一般设为3次,超过则判定操作失败。

2.3 连接超时与读取超时对重试行为的影响

在HTTP客户端配置中,连接超时(Connection Timeout)和读取超时(Read Timeout)直接影响重试机制的触发条件。连接超时指建立TCP连接的最大等待时间,而读取超时则是等待服务器响应数据的时间。
超时类型对比
超时类型含义是否可重试
连接超时无法建立网络连接通常可重试
读取超时连接已建立但无响应需谨慎重试
Go语言示例
client := &http.Client{
    Timeout: 30 * time.Second,
    Transport: &http.Transport{
        DialContext: (&net.Dialer{
            Timeout:   5 * time.Second,  // 连接超时
        }).DialContext,
        ResponseHeaderTimeout: 10 * time.Second, // 读取超时
    },
}
上述配置中,5秒内未建立连接将触发连接超时,适用于重试;而10秒内未收到响应头则触发读取超时,可能意味着服务端已处理请求,重试可能导致重复操作。

2.4 服务不可达与网络抖动场景下的重试表现

在分布式系统中,服务不可达和网络抖动是常见异常。合理的重试机制能显著提升系统的容错能力与稳定性。
重试策略设计原则
应避免无限制重试,建议采用指数退避(Exponential Backoff)结合抖动(Jitter)策略,防止请求洪峰。
  • 初始重试间隔:100ms
  • 最大重试间隔:5s
  • 最大重试次数:3次
  • 启用抖动:防止多节点同步重试
func retryWithBackoff(operation func() error) error {
    var err error
    for i := 0; i < 3; i++ {
        if err = operation(); err == nil {
            return nil
        }
        delay := time.Duration(100*(1<<i)) * time.Millisecond
        jitter := time.Duration(rand.Int63n(int64(delay)))
        time.Sleep(delay + jitter)
    }
    return fmt.Errorf("operation failed after 3 retries: %v", err)
}
上述代码实现了一个带指数退避和随机抖动的重试逻辑。每次失败后等待时间翻倍,并加入随机偏移,有效缓解网络震荡期间的服务压力。

2.5 源码级剖析:Feign如何判断是否进行重试

在Feign中,重试机制由`Retryer`接口控制,其核心逻辑在于`continueOrPropagate`方法的返回结果。
重试判断的核心流程
每次请求失败后,Feign会调用`Retryer`实例判断是否应继续重试。该接口定义如下:

public interface Retryer extends Cloneable {
  void continueOrPropagate(RetryableException e);
  Retryer clone();
}
当发生`RetryableException`时,Feign会将异常传入`continueOrPropagate`。若当前重试次数未达上限且时间窗口允许,则继续重试;否则抛出异常终止流程。
默认实现策略分析
Feign内置的`Default`重试器通过三个参数控制行为:
  • maxAttempts:最大尝试次数(含首次)
  • period:基础重试间隔
  • maxPeriod:最大重试间隔(支持指数退避)
该策略确保在网络抖动等临时故障下提升请求成功率,同时避免雪崩效应。

第三章:自定义重试次数的正确配置方式

3.1 通过配置类实现Retryer Bean的替换

在Spring应用中,可通过自定义配置类灵活替换默认的Retryer Bean,以满足特定重试策略需求。
配置类定义
@Configuration
public class RetryConfig {
    
    @Bean
    public Retryer customRetryer() {
        return new Retryer.Default(
            1000,        // 初始重试间隔
            2000L * 60,  // 最大重试间隔(2分钟)
            5            // 最大重试次数
        );
    }
}
上述代码定义了一个基于Guava Retryer的Bean,参数依次为重试间隔、最大间隔和重试次数。通过@Bean注解注入容器,自动覆盖默认实例。
作用机制
  • Spring上下文启动时加载配置类
  • 注册名为customRetryer的Bean
  • 依赖注入时优先使用该实例

3.2 配置文件中启用自定义重试参数的误区

在微服务架构中,通过配置文件设置自定义重试参数是常见做法,但开发者常误以为只要配置了重试次数和间隔就能保障服务可靠性。
常见错误配置示例
retry:
  max_attempts: 5
  backoff_interval: 100ms
  include_errors: ["5xx"]
上述配置看似合理,但忽略了网络超时与重试风暴的叠加风险。当所有实例以相同间隔重试时,可能引发“重试雪崩”。
关键参数设计建议
  • 引入指数退避(exponential backoff),避免固定间隔重试
  • 设置最大重试时间窗口,防止无限重试拖垮系统
  • 结合熔断机制,避免对已知不可用服务持续重试
合理配置应综合考虑服务依赖关系与故障传播路径,而非孤立设定数值。

3.3 结合Hystrix和Ribbon时的重试叠加问题

在微服务架构中,Hystrix与Ribbon的协同使用可能引发重试机制的叠加。当Ribbon配置了客户端重试,而Hystrix也启用了超时重试时,两者叠加可能导致请求被重复执行多次。
重试叠加场景分析
  • Ribbon在连接失败时自动重试其他实例
  • Hystrix在超时或熔断时触发命令重试逻辑
  • 两者同时启用可能导致同一请求被执行N×M次
典型配置示例

// Ribbon配置
ribbon:
  ConnectTimeout: 1000
  ReadTimeout: 2000
  MaxAutoRetries: 1
  MaxAutoRetriesNextServer: 1

// Hystrix配置
hystrix:
  command:
    default:
      execution:
        timeout:
          enabled: true
        isolation:
          thread:
            timeoutInMilliseconds: 3000
上述配置下,若服务响应慢于3秒,Hystrix将触发超时,而Ribbon可能已在两次重试中发起请求,最终导致最多4次实际调用。
解决方案建议
推荐关闭Hystrix超时,仅依赖Ribbon的重试机制,通过统一入口控制重试策略,避免行为不可控。

第四章:常见重试陷阱与解决方案

4.1 重试导致请求幂等性破坏的典型场景

在分布式系统中,网络波动常触发客户端自动重试机制。若服务端未实现幂等处理,重复请求可能导致资源重复创建或状态异常。
典型场景:支付重复扣款
当用户发起支付请求,因网关超时未返回明确结果,客户端重试同一请求。若后端缺乏去重机制,可能多次执行扣款逻辑。
func Pay(orderID string) error {
    if exists, _ := redis.Get("paid:" + orderID); exists {
        return ErrOrderAlreadyPaid
    }
    err := charge(orderID)
    if err == nil {
        redis.Set("paid:"+orderID, "true", 24*time.Hour)
    }
    return err
}
上述代码通过 Redis 记录已支付订单,防止重复扣费。charge 执行前检查标记,确保操作幂等。关键点在于:幂等判断必须原子化,避免并发重试同时通过校验。使用 SET key value NX EX 可保证设置的原子性。

4.2 多实例环境下重复调用的服务端压力激增

在微服务架构中,当应用部署多个实例时,若缺乏调用协调机制,定时任务或事件触发可能在各实例间重复执行,导致数据库连接暴增、资源争抢等问题。
典型场景分析
例如多个实例同时执行每分钟一次的清理任务:
// 每个实例都独立运行此定时器
ticker := time.NewTicker(1 * time.Minute)
go func() {
    for range ticker.C {
        CleanupExpiredData() // 未做去重控制,N个实例将调用N次
    }
}()
该逻辑在单实例下安全,但在多实例环境中会引发服务端压力呈线性增长。
缓解策略
  • 引入分布式锁(如Redis实现)确保唯一执行
  • 使用选举机制选出主节点负责调度
  • 将定时任务外移到独立的Job服务中
通过集中化任务调度,可有效避免资源浪费与服务过载。

4.3 超时时间与重试间隔不合理引发雪崩效应

在分布式系统中,服务间的调用链路复杂,若超时时间设置过长或重试间隔过短,极易导致请求堆积,最终触发雪崩效应。
典型问题场景
当上游服务A调用下游服务B,若B因负载过高响应变慢,A未设置合理超时,将长时间占用连接资源。叠加频繁重试,会迅速耗尽线程池或连接数。
代码示例:不合理的重试配置
client := &http.Client{
    Timeout: 30 * time.Second, // 过长的超时
}
// 每50ms重试一次,无退避机制
for i := 0; i < 3; i++ {
    resp, err := client.Get("http://service-b/api")
    if err == nil {
        return resp
    }
    time.Sleep(50 * time.Millisecond) // 高频重试加剧压力
}
上述配置在服务B故障时,将每秒产生20次重试请求,形成“重试风暴”。
优化策略
  • 设置合理超时:根据依赖服务P99延迟设定,通常不超过1秒
  • 采用指数退避重试:如初始100ms,每次×2,最大1s
  • 结合熔断机制,避免持续无效请求

4.4 如何结合业务类型精准控制重试行为

在分布式系统中,不同业务场景对重试机制的容忍度和需求差异显著。例如,支付类操作需严格避免重复提交,而数据查询可适度容忍重试。
基于业务类型的重试策略分类
  • 幂等性操作:如查询、删除,可安全重试;
  • 非幂等操作:如扣款,需配合去重机制或状态校验;
  • 最终一致性场景:如消息投递,允许指数退避重试。
动态重试配置示例
type RetryPolicy struct {
    MaxRetries    int
    BackoffFactor time.Duration
    IsIdempotent  bool // 标识是否幂等
}

func (r *RetryPolicy) ShouldRetry(err error, op string) bool {
    if !r.IsIdempotent && isDuplicateRisk(err) {
        return false // 非幂等操作规避重试
    }
    return r.MaxRetries > 0 && isTransientError(err)
}
上述代码通过 IsIdempotent 字段判断业务类型,结合错误类型决定是否触发重试,实现细粒度控制。

第五章:总结与最佳实践建议

持续集成中的配置管理
在微服务架构中,统一的配置管理至关重要。使用环境变量结合配置中心可有效避免硬编码问题。以下是一个 Go 服务从配置中心加载数据库连接的示例:

type Config struct {
    DBHost string `env:"DB_HOST" default:"localhost"`
    DBPort int    `env:"DB_PORT" default:"5432"`
}

func LoadConfig() (*Config, error) {
    cfg := &Config{}
    if err := env.Parse(cfg); err != nil {
        return nil, err
    }
    return cfg, nil
}
性能监控与告警机制
建立基于 Prometheus 和 Grafana 的监控体系,确保关键指标如 P99 延迟、错误率和 QPS 实时可见。建议设置动态阈值告警,避免误报。
  • 每分钟采集服务端点 /metrics 指标
  • 对异常请求日志自动触发 Sentry 告警
  • 定期执行压测并对比历史基线数据
安全加固实践
生产环境必须启用最小权限原则。以下为 Kubernetes Pod 安全策略的核心配置片段:
配置项推荐值说明
runAsNonRoottrue禁止以 root 用户运行容器
privilegedfalse关闭特权模式
allowPrivilegeEscalationfalse防止权限提升
[用户请求] --> [API 网关] --> [认证中间件] | v [限流熔断器] --> [业务微服务] | v [日志注入 & 追踪ID透传]
工作3年才敢说真话:90%的Java微服务项目,根本没必要用SpringCloud 从事Java后端开发3年,参与过6个从0到1的企业级项目迭代,见过无数团队的技术选型闹剧:不管项目体量、不管业务复杂度、不管团队规模、不管流量高低,新项目一律无脑上SpringCloud微服务。 阅读详情

相关推荐

Spring Cloud Feign报RetryableException?手把手教你用Postman和tcpdump定位是网络问题还是代码问题

本文详细解析了Spring Cloud Feign调用中出现的RetryableException问题,特别是connect timed out错误。通过Postman和tcpdump等工具,系统化地排查应用层、网络层和协议层问题,帮助开发者快速定位是网络问题还是代码问题,并提供实用的解决方案和配置建议。

weixin_27015733的博客 358

SpringCloud中Feign和Ribbon的重试机制

Feign和Ribbon的重试机制相当于一个双层循环,feign重试机制在外层,Ribbon的重试机制在里层,每执行一次feign的重试机制,内层的Ribbon的重试机制都会全部执行一次。

lt_xiaodou的博客 2146

ChatGPT API生产级调用:Token计算、限流重试与成本管控

ChatGPT API本质上是基于HTTP协议的远程AI服务接口,其核心原理依赖于OpenAI后端GPU集群的推理调度与BPE分词器的token化处理。技术价值体现在低门槛接入大模型能力,但真实约束来自网络延迟、配额限流(requests_per_minute/tokens_per_minute)和按token计费模型。典型应用场景包括智能客服、文档摘要与教育问答系统,其中token预估、指数退避重试和对话压缩是保障稳定性的关键实践。本文聚焦ChatGPT API调用中的token计算与429错误处理,提供

weixin_33910759的博客 384

深入浅出feign 、ribbion中的重试相关配置

feign、ribbion,这两个组件是spring cloud 远程调用最常用的两个组件。这两个组件分别有各自的重试机制和默认配置。

小伍的程序之路 2752

OrangePi Kunpeng Pro 安装 ROS2 + Gazebo

OrangePi Kunpeng Pro 的优点很明显,内置openEuler,配备PD电源,做到开箱即用;板子设计也不错,风扇噪音不大,散热良好,昇腾芯片又确保小板子的性能,接口丰富是这类板子共同的优点,也很好的继承了下来,甚至还可以外接固态,可靠性大大提升。使用起来,哪怕不用openEuler的话,也可以很方便的刷Ubuntu来实现一些需要依赖的开发工作,这次没有跑AI模型,所以对算力的优势还没有很明显的感受,下次可以试一下yolo跑跑看。

Arcan 1827

在 SAP 中,应收票据的收取、到期承兑、贴现均有标准操作路径与事务码,以下按业务场景给出操作步骤、T-code、会计分录(含附 / 不附追索权)

摘要:本文详细介绍了SAP系统中应收票据的全流程处理,包括收款(F-36)、到期承兑(F-34/F-20)和贴现(F-33)的标准操作。重点说明了不同业务场景下的事务码使用、操作步骤及对应的会计分录,特别区分了附追索权与不附追索权贴现的处理差异。同时提供了票据查询(FBL5N)和清账(F-32)的辅助功能指引,并汇总了各业务场景的核心会计分录,为财务人员提供了一套完整的SAP应收票据操作指南。(149字)

金牌架构师 266

【Spring Cloud】分布式必学springcloud(八)——配置Feign重试机制

一、前言 &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;在上一篇博客中,小编向大家介绍了Feign的负载均衡和断路器的使用。在这篇博客中,小编向大家介绍一下Ribbon在Feign的配置以及Feign的重试机制。 二、Ribbon配置 &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;通过小编上一篇博客介绍,Feign的底层是通过Ribbon实......

哈士奇 2万+

uniapp - 解决报错 TypeError: e[t] is not a function(Uniapp项目运行或打包编译时提示错误e[t] is not a function,全平台端均可搞定)

uniapp,报错,TypeError: e[t] is not a function,uniapp App端报错,Android端,苹果ios打包报错,运行报错,uniapp打包报错e[t] is not a function,无法运行提示错误,uniapp live-pusher直播推流,maps地图组件,uni-app live-pusher 报错TypeError: e[t] is not a function,uni-app maps报错TypeError: e[t] is not a funct

✅ 精选推荐文章 8223

OpenFeign重试机制

当我们报错,希望自动多次请求重试时,步骤如下。

qq_74764570的博客 1876

Allegro层叠中的Etch Factor-铜皮的腐蚀因子如何计算

在用Allegro进行PCB设计的时候,Cross-section中需要填入对应的信息,一般填入每层的厚度即可,如下图。当PCB需要进行仿真分析的时候,Etch-Factor这个值是必须要填写的,如下图。实际铜皮进行蚀刻的时候,Etch-Factor的值并不是标准的90度,如下图。线路层实际形状是个梯形,Etch-Factor代表的就是梯形的角度,如下图。首先输入数值,比如1,再点击Inv,最后点击tan-1,可以得到角度的值。如果tanσ=2,σ=63.4,如下图计算结果。即tanσ=1,得到σ=45。

weixin_54787054的博客 886

【Java基础知识 1】Java入门级概述

优快云最强Java专栏,包含全部Java基础知识点、Java8新特性、Java集合、Java多线程、Java代码实例,理论结合实战,实现Java的轻松学习。

学Java,找哪吒 16万+

Spring Cloud Feign 之 超时重试次数探究

SpringCloud Feign 之 超时重试次数探究 上篇文章,我们对Feign的fallback有一个初步的体验,在这里我们回顾一下,Fallback主要是用来解决依赖的服务不可用或者调用服务失败或超时,使用默认的返回值。实际应用中, 在Fallback之前,需要对服务配置重试机制,当多次重试服务,还是服务不可用的情况下,就触发Fallback。 这里,我们对重试机制配置以及重试次数进行一次...

Lan_Xuan 2812

雷达参数的设置

采样率又可以叫做采样速率或者,顾名思义就是每秒采集的次数。该值越高,单位时间内对信号的采集越多,采样率的单位可以用Hz或者sps表示(sps是采样率,是每秒采样点的数量,sp表示采样点数),一般1sps=1Hz。采样时间是采样点数和采样周期的乘积得到的结果。假设实际采样率为4560ksps,采样点数为256,那么采样周期为1/4560(ms),那么ADC的采样时间就为256*(1/4560)(ms)=0.056ms=56微秒。

qq_50974341的博客 1914

Spring Cloud Feign超时配置避坑指南(90%开发者都忽略的关键细节)

掌握Spring Cloud Feign超时设置的正确方法,避免服务调用频繁超时。涵盖Ribbon与Feign的超时参数配置、适用场景及常见误区,提升系统稳定性。配置清晰、效果立现,避坑指南值得收藏。

CodeWhim的博客 441

RAG的“诊断艺术”:从测试集结果倒追根源,精准优化检索、排序与生成

当RAG应用给出一个糟糕的答案时,开发者的第一反应可能是:“我的Prompt写得不够好?”这种基于“感觉”的猜测往往是低效的。通过构建一个包含黄金上下文信息的测试集,我们可以像一位经验丰富的医生一样,对RAG系统的各个“器官”进行独立的“健康检查”。一个用于RAG诊断的测试集,除了问题和答案,还需要包含中间环节的“黄金标准”。如果你的RAG流程包含Re-ranker,那么在评估完初期的召回后,需要单独评估Re-ranker的效果。RAG的优化是一个持续的过程,应该形成一个闭环。的文档块尽可能多地召回。

kakaZhui的博客 154

AI漫剧全套万能提示词合集

今天给大家整理一套已经跑通爆款漫剧的万能提示词库!覆盖:豆包剧本人设词 + 分镜生成词 + 即梦绘图词 + 动态优化词 + 防翻车固定词直接复制粘贴,新手也能做出稳定、高清、统一、有质感的AI漫剧!你是资深短视频漫剧编剧,擅长制作60秒竖屏爆款AI漫剧,请为我创作一集完整漫剧内容。要求:开头3秒高能抓眼,中段有冲突转折,结尾留强悬念钩子,节奏紧凑、适合短视频流量。首先生成固定统一人物人设:包含脸型、五官、发色、发型、穿搭、身材、气质、画风、光影细节,要求足够精细,保证全程角色不变脸。

欢迎来到鸾姝淡月博客,专为程序员和编程爱好者打造的技术博客。我们分享编程语言趋势、开发工具、编程哲学、职业发展等,助你掌握新技术,优化技能,激发编程热情。 1973

Spring Cloud超时配置陷阱大曝光(90%线上故障源于这里)

掌握Spring Cloud微服务之间Feign调用超时配置,避免因默认超时引发的雪崩效应。适用于高并发分布式场景,详解Ribbon与Hystrix超时机制协同方法,精准设置连接与读取超时,提升系统稳定性。配置简单高效,值得收藏。

BytePerch的博客 771

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Java开发者必看的Spring Cloud十大坑(避坑手册限时公开)

解决Spring Cloud常见难题,本文结合Java Spring Cloud实战经验,总结十大避坑要点,涵盖服务注册、配置中心、熔断机制等典型场景,助力开发者高效构建微服务架构。方法实用、案例清晰,值得收藏。

PixelWander的博客 439

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")

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

Hystrix超时设置的5大坑,90%的开发者都踩过,你中招了吗?

掌握Spring Cloud Hystrix的超时设置技巧,避开常见陷阱。详解超时配置在微服务中的应用场景、核心参数调优及熔断机制优势,帮助开发者提升系统稳定性。5大易错点深度剖析,值得收藏。

CompiWander的博客 650

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

Spring Cloud Demo 上线前:注册发现、Gateway 阻塞与超时边界

Spring Cloud Demo 走通注册、路由和配置刷新,只能说明基本链路可用。节点摘除延迟、重试叠加、Gateway 阻塞和连接复用需要在接近目标拓扑的环境里单独验证。

alex_goden的博客 5186

别再手动拼URL了!Spring Cloud项目里用OpenFeign调用其他服务,保姆级配置避坑指南

本文详细介绍了在Spring Cloud项目中使用OpenFeign进行服务间调用的配置与优化方法,帮助开发者避免常见错误。通过对比RestTemplate与OpenFeign的优势,提供从基础配置到生产级优化的全流程指南,包括超时设置、日志诊断、熔断降级等实用技巧,显著提升微服务开发效率。

weixin_29253711的博客 405

14w字详解springcloud全家桶(详细流程+配置+代码)

部署+配置+代码+高频面试题,覆盖:Nacos + Gateway + OpenFeign + LoadBalancer + Sentinel + Seata‑AT + Micrometer+Prometheus + Grafana。

后端胖头鱼的博客 1775

Spring Boot 3.3 配置简化与启动性能优化实战

Spring Boot 是基于 Spring 框架的快速开发脚手架,其核心价值在于自动配置、起步依赖和生产就绪特性。随着微服务规模扩大,传统配置方式导致重复冗余、环境耦合与启动缓慢等典型问题。Spring Boot 3.3 通过配置分组(group)、类加载优化、Bean 定义压缩及 JVM 自动调优等机制,在不改变架构前提下显著降低认知负荷与运行开销。该版本尤其强化了对 AI 集成与原生镜像的支持,使开发者能更聚焦业务逻辑而非胶水代码。本文围绕配置简化与启动性能两大高频痛点,结合真实生产数据与可落地的升级

weixin_34038293的博客 881

Spring Boot与微服务实战:高频面试题深度解析

Spring Boot作为Java生态中主流的开发框架,其自动配置原理和微服务架构设计是面试中的重点考察内容。自动配置通过@EnableAutoConfiguration和条件注解实现组件动态加载,而微服务架构则涉及服务发现、负载均衡和容错处理等分布式系统核心概念。这些技术能显著提升系统可维护性和扩展性,广泛应用于电商、金融等高并发场景。本文结合大厂真实案例,详解Spring Boot自动装配实现、FeignClient调优策略等高频考点,特别针对微服务稳定性保障和慢SQL优化等热词场景提供可落地的解决方案

weixin_30455023的博客 508

Java从零实现国际版扫码点餐系统:架构设计与踩坑总结

在餐饮数字化浪潮中,扫码点餐已成为连接顾客与商家的核心入口。看似简单的“扫码-下单-支付”流程,一旦跨越国界,便面临多语言菜品模型、多币种金额精度、多时区时间归因、跨境支付回调幂等等复杂挑战。Java凭借成熟的生态与稳定的框架,成为构建此类高并发业务系统的理想选择。基于Spring Boot 3.x单体架构,详细拆解国际版扫码点餐的实战要点,包括订单状态机设计、Redis缓存与Lua脚本扣库存、RabbitMQ异步事件驱动、以及支付网关适配等关键技术。从菜单多语言表的结构设计到分布式部署的运维坑点,系统性地

weixin_34354173的博客 172

Java面试核心:Spring Boot与微服务架构深度解析

Spring Boot作为Java生态中的核心框架,其自动配置机制通过@EnableAutoConfiguration和条件装配(@Conditional)实现模块化加载,大幅简化了应用配置。在微服务架构中,分布式事务处理(如Seata的AT模式)和服务治理(如Sentinel熔断)成为关键技术挑战。本文结合大厂面试真题,深入剖析Spring Boot启动过程源码与性能优化实践,以及微服务场景下的容错设计和系统分层方案,帮助开发者掌握从原理到落地的完整知识体系。

weixin_33827731的博客 417
上一篇: 【Spring Boot RabbitMQ死信队列TTL深度解析】:掌握消息延迟处理的终极方案
下一篇: 【Java 10新特性深度解析】:为何 lambda 形参不支持 var 的设计考量与影响
codetrick
博客等级 码龄17年 151粉丝 1991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  | 博主筛选后可见
 
 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