为什么我不再推荐你用 RxJava ?

RxJava2.0异步请求 RxJava2.0更适合新手学习的网络异步请求,注释很全面,一看就会懂! 立即下载

点击“开发者技术前线”,选择“星标????”

让一部分开发者看到未来

作者: W_BinaryTree

https://juejin.im/post/5cd04b6e51882540e53fdfa2

距离上一次更新也有一段时间了,其实这篇文章我早就想写,碍于一直没来得及总结(懒)。所以一直没有成文。来总结一下我RxJava遇到的坑,或者说我为什么不在推荐使用RxJava。相信熟悉或者关注我的朋友,绝大多数都是因为RxJava。所以看到这个标题你已经会惊讶。作为RxJava坚定的拥护者,或者说自干五?为什么突然不再支持RxJava了呢?

先讲讲历史

在我的文章中已经讲过很多次RxJava诞生之初就是因为异步。再后来借鉴LINQ的思想借用Monad的力量使得 Rx可以使用操作符进行组合将各种复杂的请求简单化。可以说,RxJava的设计初衷就是围绕着Asyhconization和Composition。当年的Netflix也是为了增加服务器的性能和吞吐量来编写RxJava并开源。才使得RxJava问世。详细关于这段可以参考我的知乎回答:你会在实际工作中使用 rxjava 吗?(https://www.zhihu.com/question/53151203/answer/164427549)

再聊聊异步

在那个RxJava刚刚火爆的年代,那是一个荒蛮的年代。我们在异步方面资源匮乏,手头仅有ThreadPool,AsyncTask和Handler这些基础封装的异步库。所以当我们看见RxJava这个新奇的小玩意,当我们看到异步还可以这么简单,轻而易举的解决Concurrency问题。我们当然如获至宝。

而我们现在选择就更多了,无论是Java 8本身提供的CompletableFuture。还是后起之秀Kotlin上的Coroutine,还有Android 上官方提供的LiveData(这里说下:虽然本质上线程管理仍需用户自己,但是常见的比如Room数据库,Retrofit等等都有现成的LiveDataAdapter,实际上并不需要我们过多操心线程问题)。相比之下,RxJava优势并不那么明显,相反劣势却很突出。

RxJava 门槛太高

相信多数Android开发者并没有了解过或者说深入了解过(我自己也没深入了解过)函数式相关的知识。但是如果不了解这些,那么而几乎可以说不可能融会贯通RxJava的一些概念。举个例子,一个很著名的Googler:Yigit Boyar。也就是每次IO的那个大胡子,他的代表作有很多。比如RecyclerView,再比如Architecture Component。这样一个Android界名人,水平怎么也有平均以上。但是他在实现LiveData和RxJava适配的时候,同样出现了由于理解上出的问题,造成错误的实现方式。

RxJava的门槛过于高,就连我自己推广这么久,自己也不敢说对RxJava了解有多深刻。经常在常见操作符的使用中出现了或多或少的unexpected behavior。再者,无论国内国外的RxJava教程水平都参差不齐。新手很难鉴别哪些人说的是对的哪些人说的是错误的。在这样鱼龙混杂的条件下学好这个高门槛的异步库更是变得难上加难。很多教程在自己没有精通的情况下,很容易误导其他人(包括我自己的文章)。

投入高,收获少

虽然这点存疑,因为我自己钻研RxJava之后确实觉得收获很大,尤其是经由RxJava窥探了函数式的大门。但是功利的看,RxJava在解决异步处理这个问题上,的确是投入高,收获少。异步问题是Android开发必不可少的一个环节,可以说掌握异步应该是成为入门Android开发的敲门砖。而RxJava归根到底是通过响应式的方式配合Monad来解决异步问题。但是仅仅为了解决异步问题,学习并精通RxJava并不是必不可少的。相反,精通RxJava需要大量时间和精力,在现在异步编程逐步完善的情况下,完全没有必要。

你永远无法预测你同事的RxJava水平

上面几点可能有点抽象,而这点和接下来的几点都是我在实际工作中遇到的实际情况。首先就是你并不能预测或者要求你的同事RxJava到达什么样的水平。我之前的公司使用了一个简单的类redux框架。其中RxJava是核心部分,他承载了中间render层和view层的连接。具体关于这个架构可以看我这里的项目实例:Twivy(https://github.com/wbinarytree/Twivy)。在Review同事的代码之后,我才发现RxJava还能这么玩?

各种奇思妙想的作用让我不得不佩服法国同事的丰富想象力。而这些错误使用就像一颗颗定时炸弹一样埋在代码里。随时可能爆炸。但是反过来一想,并不是所有人都像我一样喜欢研究RxJava。他们可能仅仅是因为使用了这个架构而接触Rx。而RxJava的掌握并不是一个Android开发的必要条件。他完全可以一点RxJava也不会也成为一个优秀的Android Developer。

RxJava的行为并不可预

RxJava还有一大毛病就是光看方法名你很难知道他的真正意思。在初学RxJava时候,两个一直纠缠不清的问题就是map和flatMap的区别。还有flatMap和concatMap的区别。简单的讲map是一对一,flatMap是一对N的map然后在进行flatten操作。还有些教程直接写出flatMap无序,concatMap有序。其实这些都只是简单总结,而实际的行为照着相差甚远。比如flatMap在第一个error的时候会不会继续继续触发第二个?如果我想继续,将如何操作?再比如concatMap在遇到第一个Observable不会中断的时候,怎么继续下一个?

这些都几乎是要看源码或者做多次实验对比才能得出结论的问题,而实际工作中并不想去因为这个工具而去浪费太多时间,得不偿失。但是如果不做,就像前文提到的定时炸弹一样。上线直接增加错误几率。

RxJava太容易出错

Uncle Ben 说过:

with great power comes great responsibility. RxJava就是这样。在简单易用的同时他太容易被滥用了。我在实际工作中碰到的例子:

val stationId = "5bCP6Iqx"
val statoin:Observable<Station> = staionRepo.getStationById(stationId)
val stationLine:Observable<StationLine> = station.flatMap{station ->stationRepo.getLine(station)}

return Observable.merge(station.map{it.toUiModel()},
                 stationLine.map{it.toUiModel()})

乍一看,这几行代码并没有错。这个Bug还是后台反馈给我的说为什么android每次都会发两个一模一样的请求?其实问题就出在stationLine和station并没有共享结果。造成了每次请求都要发两次。修改后的代码:


val stationId = "5bCP6bif"
val statoin:Observable<Station> = staionRepo.getStationById(stationId)

return station.publish{selector ->
Observable.merge(selector.map{it.toUiModel()},
            selector.flatMap{station -> stationRepo.getLine(station)}
            .map{it.toUiModel()})
}

RxJava还是过于理想化了

RxJava承诺出一个完美的异步世界,一切异步操作由上游控制,下游只需要思考如何处理,并不关心数据来源。而实际过程中,这个过程还是过于理想化了。最直接的例子就是BackPressure的出现。在数据量足够庞大时,缓存池并不能及时缓存所有生产的数据,造成越积越多最终OOM。也即是所谓的BackPressure。再者,函数式中的Monad来包裹异步这个操作还是过于复杂了,看过RxJava的朋友都应该清楚。某些很简单的操作符在实现起来其实非常复杂。

追踪数据十分困难,很容易掉入很难Debug的情况。而且虽然RxJava的文档是我见过少有写的非常出色的库,但是很多操作符如果不读通源码,仅仅从Java Doc和Method Signature来观察,并不清楚期待的行为是什么。就算知道,在一些特殊情况如何处理,仍是一个未知结果。同时RxJava虽然解放了上游控制权力的,也引入了不安全性。如果上游出现了非预想的问题,下游将很难处理。

其次,RxJava为了这个理想化的世界,引入了太多的overhead。无论是每个操作符都要生成一个新的Observable实例还是蹦床模式(https://github.com/ReactiveX/RxJava/wiki/Writing-operators-for-2.0#serialization)的异步解决方案。都生成了太多的Object在堆中存放。这种overhead在轻量级应用,或者一些小型异步处理比如数据埋点等等行为中,都显得过于庞大。

RxJava起于异步,却也不单单是异步

Rx在被Erik Meijer 提出的时候,确实是由同步的Iterable推导,由主动拉取数据改为被动接受数据(可参考我之前的文章:一篇不太一样的RxJava介绍[https://juejin.im/post/5a2549576fb9a04519696d45 ])。但是在加入函数是Monad的概念之后,RxJava作为响应式数据流,应用在了更多Callback base的场景中。在Android这种GUI平台下尤为出色。多数基于Redux结构的Android架构都或多或少基于RxJava。或者借鉴RxJava的思想。比如Airbnb推出的MvRx。还有Google在18年io中当作Sample App做出的Sunflower,大量使用LiveData。而LiveData无疑也是大量借鉴了RxJava的思想。

总结:RxJava虽然优秀,但并不适合所有人

即使RxJava有且不仅限于我说的上述几个问题,但无疑RxJava仍是一个划时代的优秀的异步框架。但是优秀并不代表适合所有人,我在之前推广RxJava,认为这样的异步基础应该是每一个Android开发者必不可少的知识点。但实际工作使用两年之后,我觉得这并不实际,也不必要。RxJava的水平并不能映射一个Android Dev的开发水平,反之,一个高水平的Android Dev也并不一定对RxJava了解多少。在这样的前提下,再加上入门门槛高,易出错,行为不好预期等等缺点下。在团队没有RxJava Expert的情况下我更倾向于直接弃用RxJava,转为更容易使用的异步框架和响应式数据流。我在入职新公司的的时候,邮件里写了这样一句:

engineering is about trade off

RxJava便是这样一个库,甲之蜜糖,乙之砒霜。用的好RxJava,他是一个利器,根本离不开。用不好,他就是你身边的定时炸弹,随时爆炸却又很难拆解。



END


前线推出学习交流一定要备注:研究/工作方向+地点+学校/公司+昵称(如JAVA+上海+上交+卡卡),根据格式备注,可更快被通过且邀请进群
扫码加我微信进群,内推和技术交流,大佬们零距离
历史推荐为什么我立刻放弃了 React 而使用 Vue ?
记住看小电影前一定要检查域名是不是 HTTPS 的!
为什么面试官喜欢问 ZooKeeper 基本原理?
Vue 3.0 重磅发布!为什么开发者依旧偏爱 React?
好文点个在看吧!
电化学-NanoStat-开源系统的使用说明 本文主要介绍了NanoStat开源系统的使用方法,从硬件打板、设备组装、软件安装3个层次进行了详细说明。整个流程根据作者提供的视频能够很好的完成,不需要太多的技术,对刚入门的新手是一个不错的练手项目。其次软件还有很大的优化空间,能够进一步提高系统的精度,对之后类似恒电位仪系统的开发也有很大的借鉴意义。 阅读详情

相关推荐

MoveIt2项目想换掉KDL求解器?试试这个trac_ik插件(附源码编译避坑指南)

本文详细介绍了如何在MoveIt2项目中用trac_ik插件替代KDL求解器,提升机械臂运动学求解的效率和成功率。内容涵盖环境准备、源码编译避坑、项目集成及性能调优,特别适合需要高精度控制的协作机械臂应用场景。通过实测数据对比,trac_ik在求解时间和奇异点处理上显著优于传统KDL求解器。

weixin_30730053的博客 702

【Rxjava详解】(三)更好实践异步请求

用RxJava可以通过链式调用的方式简化异步编程,将异步操作以流式的方式表达出来。

xoliu的博客 585

CentOS7 编译升级GCC至9.3.0

1)下载GCC9.2.0源码并解压 从GCC官方FTP下载地址可以看到GCC最新版本为9.3.0。由于官网下载速度慢,实际上用清华大学的镜像站进行下载,代码如下: wget -c /opt/tmp/ https://mirrors.tuna.tsinghua.edu.cn/gnu/gcc/gcc-9.3.0/gcc-9.3.0.tar.gz #考虑到安装失败的可能性,创建一个临时文件夹来安装GCC...

haha123486的博客 1万+

android——rxjava异步Consumer类似promise、重试机制、网络请求失败重试、合并两个异步都完成才往下运行、实现数据缓存优先加载、蓝牙连接成功和用户输验证码的场景

1、rxjava异步Consumer 导入fxjava包: implementation 'io.reactivex.rxjava3:rxjava:3.0.6' 使用: getAsync(res -> { System.out.println("返回执行:" + res); }); 异步方法: public void getAsync(Consumer<String> consumer) { new Thread(n

wy313622821的博客 4200

数据预处理之数据平滑处理#matlab

介绍基于 MATLAB 的数据平滑方法,主要介绍 smooth 函数、smoothts 函数和 medfilt1 函数的用法。

m0_56619132的博客 2417

DeepSeek与豆包无缝对接:5分钟搞定智能周报自动化(附完整代码)

本文详细介绍了如何利用DeepSeek与豆包API,快速搭建一个智能周报自动化系统。通过整合豆包平台的工作流数据,并调用DeepSeek大模型进行深度分析与内容生成,该系统能在5分钟内自动抓取、分析多源信息,并生成结构清晰、富有洞察力的团队周报,显著提升工作效率。

weixin_29029995的博客 495

RxJava技术内幕揭秘,手写实现异步编程神器

RxJava是一个在Java虚拟机上实现的异步和基于事件驱动的编程库,它是ReactiveX的Java版本,提供了一种方便和优雅的方式来编写异步和响应式编程代码。ObservableObservable是RxJava的核心类型之一,表示一个可被观察的数据源,可以发出一系列的事件。这些事件可以是普通的数据对象、错误信号或者完成信号。当数据源产生事件时,可以使用subscribe()方法注册一个观察者,以便接收事件。Observer。

yihanss的博客 371

【100%通过率】华为od统一考试B卷【需要打开多少监视器】JAVA&Go 实现

某长方形停车场,每个车位上方都有对应监控器,当且仅当在当前车位或者前后左右四个方向任意一个车位范围停车时,监控器才需要打开:给出某一时刻停车场的停车分布,请统计最少需要打开多少个监控器

MISAYAONE的博客 1万+

什么是埋点,有案例

在Java后端开发中,可以使用一些成熟的埋点框架进行埋点,例如阿里巴巴的canal和pinpoint等。埋点(Track)是指在应用程序、网站或平台中添加代码,以记录特定用户行为和事件的做法。在 Spring Boot 中,可以使用自动配置机制,在应用程序中成功注册任意数量的过滤器。默认情况下,注册的过滤器没有指定顺序,这可以通过为过滤器添加。通常,在产品设计之初就应该考虑到需要哪些埋点,并在代码中嵌入相应的埋点代码。这就是一个简单的基于过滤器实现的页面访问次数的埋点示例。注解的值,定义过滤器的执行顺序。

weixin_42759398的博客 6643

SeaTunnel 实战:Apache SeaTunnel Web 安装与部署

复制引擎服务中配置文件到 Web 配置目录下面。就是上述 application.yml 文件中配置的端口号。默认是从 mvvm 下载,可能下载速度很慢,我这边安装了 Maven 并且配置了阿里云仓库,因此将脚本中的。如果环境变量有冲突需要改下环境变量的名字以及 init_sql.sh 中的环境变量的名字,可以加上前缀。初始化数据库有两种方式,一是使用官方提供的初始化脚本,二是直接运行初始化 SQL。初始化数据库的脚本,使用之前需要修改。

SmartSi 3914

什么是 SAP PCE?

SAP Private Cloud Edition 是一种基于云计算的部署模式,它结合了公有云的灵活性和私有云的安全性,为企业提供了量身定制的云服务。在 PCE 环境中,SAP 托管和维护客户的应用系统(如 SAP S/4HANA、SAP SuccessFactors 或 SAP BW/4HANA),同时客户拥有更高的定制化权限。专属环境:每个客户在云中拥有独立的资源,这保障了更高的安全性和性能。全面托管:SAP 提供基础架构、系统管理和更新服务,降低了客户的运维成本。灵活扩展。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 2252

rxjava获取异步请求的结果_锦囊篇|一文摸懂RxJava

前言于3月14号,RxJava开源了他的第三个版本。这个版本中,更新了一下的内容:(1)包结构变化 RxJava 3 components are located under the io.reactivex.rxjava3 package (RxJava 1 has rx and RxJava 2 is just io.reactivex. This allows version 3 to li...

weixin_39751195的博客 650

大数据领域数据产品的交通运输行业应用

您是否经历过早高峰被堵在桥上,看着导航显示“前方5公里缓行”却无能为力?是否见过货车司机绕远路导致成本飙升?这些“交通痛点”的背后,是传统交通管理依赖经验决策的局限。本文将聚焦“大数据数据产品”这一核心工具,从技术原理到实际应用,全面解析它如何为交通运输行业“开天眼”,解决从城市拥堵到物流效率的一系列难题。本文将按照“问题引入→概念拆解→技术原理→实战案例→应用场景→未来趋势”的逻辑展开,用生活化比喻降低理解门槛,用代码和数学模型提升专业性,最终帮您建立“大数据+交通”的完整认知框架。交通数据。

操作系统内核探秘的博客 239

我为什么不再推荐 RxJava

点击上方“码农突围”,马上关注,每天早上8:50准时推送 真爱,请置顶或星标 原文:juejin.im/post/5cd04b6e51882540e53fdfa2 作者:W_BinaryTree 距离上一次更新也有一段时间了,其实这篇文章我早就想写,碍于一直没来得及总结(懒)。所以一直没有成文。来总结一下我RxJava遇到的坑,或者说我为什么不在推荐使用RxJa...

欢迎关注公众号:【码农突围】,公号后台回复9999,可以获取一份500页的LeetCode刷题笔记。 5115

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

我为什么不再推荐RxJava

距离上一次更新也有一段时间了,其实这篇文章我早就想写,碍于一直没来得及总结(懒)。所以一直没有成文。来总结一下我RxJava遇到的坑,或者说我为什么不在推荐使用RxJava。 相信熟悉或者关注我的朋友,绝大多数都是因为RxJava。所以看到这个标题你已经会惊讶。 作为RxJava坚定的拥护者,或者说自干五?为什么突然不再支持RxJava了呢? 先讲讲历史 在我的文章中已经讲过很多次RxJava诞生...

weixin_34280237的博客 1461

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

我为什么不再推荐用 RxJava

点击“开发者技术前线”,选择“星标

开发者技术前线-DevolperFront 198

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")

我为什么嫌弃RxJava,不再推荐使用?

作者: W_BinaryTree链接 :https://juejin.im/post/5cd04b6e51882540e53fdfa2距离上一次更新也有一段时间了,其实...

JAVA葵花宝典 2394

我为什么不再推荐 RxJava?

点击上方“芋道源码”,选择“设为星标”做积极的人,而不是积极废人!源码精品专栏中文详细注释的开源项目RPC 框架 Dubbo 源码解析网络应用框架 Netty 源码解析...

芋道源码 452
上一篇: 再见, Excel!你好, Luckysheet !
下一篇: 终究还是怕了阿里!百度网盘出内部体验版!下载速度6MB/s!(附下载链接)...
DevolperFront
博客等级 码龄8年 465粉丝 81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