一文简单了解并部署Zookeeper集群

GreatSQL社区 GreatSQL社区 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 700+累计阅读 733平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-08-23 16:31:03 发布 733 阅读 AI 写同款· GEO 优化 ›
k8s(9) — zookeeper集群部署(亲和性、污点与容忍测试) 在 Kubernetes（K8s）里，（PDB）是一种非常重要的资源对象，它主要用于保障应用的高可用性，避免因计划内的中断（比如节点维护、集群升级等）而导致过多的 Pod 同时被终止。下面为你详细介绍。 阅读详情
  • GreatSQL社区原创内容未经授权不得随意使用，转载请联系小编并注明来源。
  • GreatSQL是MySQL的国产分支版本，使用上与MySQL一致。
  • 作者：蟹黄瓜子
  • 文章来源：GreatSQL社区投稿

1.Zookeeper概述

Zookeeper对于很多人开始可能都有所耳闻，他的使用场景也很多，可以以节点的形式存储持久化数据，也可以使用这一特性来作为微服务的服务注册中心，简单来说，Zookeeper 是一个开源的分布式的，为分布式框架提供协调服务的 Apache 项目。

Zookeeper从设计模式角度来理解，是一个基于观察者模式设计的分布式服务管理框架。是一个文件系统，负责存储和管理大家都关心的数据，然后接受观察者的注册；也是一种通知机制，一旦这些数据的状态发生变化，Zookeeper就将负责通知已经在Zookeeper上注册的那些观察者做出相应的反应。

2.Zookeeper的应用场景和一些注意事项

ZooKeeper 数据模型的结构与 Unix 文件系统很类似，整体上可以看作是一棵树，每个节点称做一个 ZNode。每一个 ZNode 默认能够存储 1MB 的数据，每个 ZNode 都可以通过其路径唯一标识。

Zookeeper的应用场景有许多，比如统一的配置管理，在许多分布式环境中，通常一个服务集群的配置文件信息是一致的，如果需要修改配置信息内容，不可能逐个对每个服务做修改，而是希望修改一次配置信息就可以同步给所有服务节点，Zookeeper就可以实现这个业务，十分简单，可以将服务的配置信息写入ZooKeeper上的一个Znode中，让每个集群节点的服务器都去监听这个Znode，一旦数据被修改，ZooKeeper将通知各个服务器，达到同步的效果。还可以做统一的集群管理、服务器的动态上下线、以及软负载均衡的效果。

在实践Zookeeper前还需要注意的内容：

  • Zookeeper：一个领导者（Leader），多个跟随者（Follower）组成的集群。
  • 集群正常运行的前提条件是集群节点大于半数，因此集群节点数最好采用奇数个。
  • 全局数据一致：每个Server保存一份相同的数据副本，Client无论连接到哪个Server，数据都是一致的。
  • 更新请求顺序执行，来自同一个Client的更新请求按其发送顺序依次执行。
  • 数据更新原子性，一次数据更新要么成功，要么失败。
  • 实时性，在一定时间范围内，Client能读到最新数据。

3.简单部署Zookeeper集群

官网地址：https://zookeeper.apache.org/，本文采用**VMware**创建3台虚拟机构建集群，**XShell**工具连接虚拟机进行操作：

首先为机子安装jdk，采用yum源安装，注意设置yum，静等安装成功出现“Complete”即可：

[root@localhost ~]# yum install -y java-1.8.0-openjdk.x86_64
  • 进入/usr/local/目录，将提前准备好的“zookeeper-3.4.5.tar.gz”文件传入目录，并解压：
[root@localhost ~]# cd /usr/local/
[root@localhost local]# tar zxvf zookeeper-3.4.5.tar.gz
  • 修改文件名为“zookeeper”：
[root@localhost local]# mv zookeeper-3.4.5 zookeeper
  • 修改环境变量：
[root@localhost local]# vi /etc/profile
# 进入insert模式后在上方添加一下内容后保存退出
export ZOOKEEPER_HOME=/usr/local/zookeeper
export PATH=$PATH:$ZOOKEEPER_HOME/bin
  • 重新编译“/etc/profile”：
[root@localhost zookeeper]# source /etc/profile
  • 进入conf目录下，将“zoo_sample.cfg”拷贝生成“zoo.cfg”文件作为zookeeper的配置文件：
[root@localhost zookeeper]# cd conf/
[root@localhost conf]# cp zoo_sample.cfg zoo.cfg

  • 修改“zoo.cfg”文件：

    • 配置文件中主要要配置数据存放路径和日志路径，zookeeper默认的数据存放路径为"dataDir=/tmp/zookeeper"，为临时数据，会过期，本文将重新指定相关位置，存放在“自己”的路径下，当然也可以根据需要建立单独路径进行存放。
# 将配置文件中的dataDir替换为此路径
dataDir=/usr/local/zookeeper/data
# 在配置文件中添加以下配置，ip地址根据规划
# 其中server.1代表集群的第几胎集群，后续会配置myid文件，myid文件内容和对应的数字保存一致，例如1.131这台机器myid就是1
# ip地址为集群的三台机器，也可以配置host使用主机名，两个端口号心跳端口和数据端口
dataLogDir=/usr/local/zookeeper/log
server.1=192.168.1.11:2888:3888
server.2=192.168.1.12:2888:3888
server.3=192.168.1.13:2888:3888

  • 简单解释下集群配置：

    • server.A=B:C:D
    • A 是一个数字，表示这个是第几号服务器；集群模式下配置一个文件 myid，这个文件在 dataDir 目录下，这个文件里面有一个数据就是 A 的值，Zookeeper 启动时读取此文件，拿到里面的数据与 zoo.cfg 里面的配置信息比较从而判断到底是哪个 server。
    • B 是这个服务器的地址；
    • C 是这个服务器 Follower 与集群中的 Leader 服务器交换信息的端口；
    • D 是万一集群中的 Leader 服务器挂了，需要一个端口来重新进行选举，选出一个新的Leader，而这个端口就是用来执行选举时服务器相互通信的端口。

  • 回到”zookeeper“目录下，创建配置文件中提到的两个路径并赋予权限：

[root@localhost conf]# cd ..
[root@localhost zookeeper]# mkdir -m 755 data
[root@localhost zookeeper]# mkdir -m 755 log
  • 来到“data/”路径下，创建myid文件，并给相应值1：
[root@localhost zookeeper]# cd data/
[root@localhost data]# vi myid
  • 此刻对于集群节点的第一台机器就配置完成了，另外两台机器需要在准备好环境并设置好环境变量的前提下进行
  • 通过第一台机器将配置好的zookeeper及集群配置下发到另外两台机器上，注意修改对应机器的myid：
[root@localhost data]# scp -r /usr/local/zookeeper root@192.168.1.12:/usr/local/
[root@localhost data]# scp -r /usr/local/zookeeper root@192.168.1.13:/usr/local/
  • 修改myid值为2和3后，集群部署完毕。
  • 进入到01机器的zookeeper目录下，启动zookeeper：
[root@localhost zookeeper]# bin/zkServer.sh start
JMX enabled by default
Using config: /usr/local/zookeeper/bin/../conf/zoo.cfg
Starting zookeeper ... STARTED
[root@localhost zookeeper]# bin/zkServer.sh status
JMX enabled by default
Using config: /usr/local/zookeeper/bin/../conf/zoo.cfg
Error contacting service. It is probably not running.
  • 此时集群没办法起来，因为目前只有一个节点开启
  • 当第二台启动以后，集群节点超过半数，第二台机器就会选举成为leader
[root@localhost zookeeper]# bin/zkServer.sh start
JMX enabled by default
Using config: /usr/local/zookeeper/bin/../conf/zoo.cfg
Starting zookeeper ... STARTED
[root@localhost zookeeper]# bin/zkServer.sh status
JMX enabled by default
Using config: /usr/local/zookeeper/bin/../conf/zoo.cfg
Mode: leader
[root@localhost zookeeper]#
  • 第一台就变成follower了
[root@localhost zookeeper]# bin/zkServer.sh status
JMX enabled by default
Using config: /usr/local/zookeeper/bin/../conf/zoo.cfg
Mode: follower
  • 开启第三台后，第二台机器已经是leader了，除非机器宕机会触发重新选举
  • 关于zookeeper的操作可以通过启动启动客户端：
[root@localhost zookeeper]# bin/zkCli.sh

WatchedEvent state:SyncConnected type:None path:null
[zk: localhost:2181(CONNECTED) 0]
  • 至此测试完成，zookeeper集群部署完毕，更多zookeeper操作可以参照zookeeper官方文档。

Enjoy GreatSQL :)

关于 GreatSQL

GreatSQL是由万里数据库维护的MySQL分支，专注于提升MGR可靠性及性能，支持InnoDB并行查询特性，是适用于金融级应用的MySQL分支版本。

相关链接： GreatSQL社区 Gitee GitHub Bilibili

GreatSQL社区：

捉虫活动详情：https://greatsql.cn/thread-97-1-1.html

社区博客有奖征稿详情：https://greatsql.cn/thread-100-1-1.html

6440

标签
#GreatSQL #MySQL
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
ZooKeeper集群部署 ** ZooKeeper集群部署 ** 一、环境 服务器： IP地址 操作系统 192.168.241.11 CentOs7-1804 192.168.241.12 CentOs7-1611 192.168.241.13 CentOs7-1804 JDK版本：1.8.0_151 ZooKeeper版本：3.4.12 二、软件安装 三台服务器均需要安装Java JDK和Z... 阅读详情

相关推荐

zookeeper 集群部署

因此，从上面的讲解中，我们其实可以看出，对于一个由 6 台机器构成的 ZooKeeper 集群来说，和一个由 5 台机器构成的 ZooKeeper 集群，其在容灾能力上并没有任何显著的优势，反而多占用了一个服务器资源。我们假定构成 ZooKeeper 集群的机器总数为 N，在三个机房中部署的 ZooKeeper 服务器数分别为 N1、N2 和 N3，如果要使该 ZooKeeper 集群具有较好的容灾能力，我们可以根据如下算法来计算 ZooKeeper 集群的机器部署方案。因此，通常有以下两种部署方案。

580

Zookeeper集群部署

Zookeeper集群+Fafka集群前言一、Zookeeper概述1、Zookeeper定义2、Zookeeper工作机制3、Zookeeper特点4、Zookeeper数据结构5、Zookeeper 应用场景6、Zookeeper选举机制第一次启动选举机制非第一次启动选举机制二、部署Zookeeper集群准备3台服务器做Zookeeper 集群1.安装前准备2.安装Zookeeper 前言 一、Zookeeper概述 1、Zookeeper定义 Zookeeper是一个开源的分布式的，为分布式框架提

王大雏的博客 963

从CORDIC到DDS：手把手拆解《Verilog传奇》第9章的实战项目（附可跑通的代码）

本文详细解析了如何从CORDIC算法到DDS系统的完整实现过程，基于《Verilog传奇》第9章的实战项目，提供了可运行的Verilog代码。内容涵盖CORDIC算法的硬件实现、DDS系统架构设计、完整系统集成与验证，以及实际部署中的性能调优技巧，适合数字IC和FPGA开发者深入学习。

weixin_42623010的博客 414

ZooKeeper 集群的详细部署

ZooKeeper 集群的详细部署

slb190623的博客 8057

神经网络：初学者指南（专业版）

神经网络是一种受生物大脑启发的计算模型，由多层互连的人工神经元组成。本文从生物神经元结构出发，介绍了感知器模型、激活函数、网络架构（输入/隐藏/输出层）等基础概念，并详细阐述了前向传播、反向传播、损失函数和优化器等核心训练机制。同时涵盖了CNN、RNN等常见架构，以及过拟合、梯度消失等关键挑战，最后概述了神经网络在计算机视觉、NLP等领域的广泛应用。全文系统性地梳理了神经网络的基础理论和实践要点，为初学者提供了清晰的学习路径。

weixin_42107409的博客 1783

Zuken E3.series schematic/cable/Formboard 连载（1）

​ 1987-2001年，CIM-Team公司（德国）推出基于MS-DOS环境下运行的CAD软件DDS-schematic 2002年，在此基础上，推出基于windows环境下运行，应用于电气工程领域的E3.Series 2002-2006年，CIM-Team公司成为Zuken公司（日本）的一家分公司，实现电子电气系统的完整设计平台 覆盖电子、电气原理设计，三维机柜设备布局与配线设计，线缆线束设计及其各类生产报表文档生成的完整设计流程

u010930036的博客 2504

zookeeper搭建

zookeeper的默认配置文件为zookeeper/conf/zoo_sample.cfg，需要将其修改为zoo.cfg。其中各配置项的含义，解释如下： 1.tickTime：CS通信心跳时间 Zookeeper 服务器之间或客户端与服务器之间维持心跳的时间间隔，也就是每个 tickTime 时间就会发送一个心跳。tickTime以毫秒为单位。 tickTime=2000  

Skye's blog 758

OriginPro实战：5步搞定碳材料拉曼光谱D峰G峰分析（附完整数据处理流程）

本文详细介绍了使用OriginPro进行碳材料拉曼光谱D峰G峰分析的完整流程，涵盖数据预处理、多图层可视化、高精度分峰拟合等关键步骤。特别针对材料科学研究中的基线漂移、多峰重叠等问题提供专业解决方案，帮助研究者快速完成从原始数据到科研级图表的全流程分析，提升碳材料表征效率与准确性。

vodka的博客 942

ZooKeeper集群环境部署

ZooKeeper 由多个组件组成。一些组件得到广泛支持，而另一些组件仅在较小的一组平台上得到支持。是 Java 客户端库，由应用程序用于连接到 ZooKeeper 集群。是在 ZooKeeper 集群节点上运行的 Java 服务器。是用 C 实现的客户端，类似于 Java 客户端，由应用程序用于连接到 ZooKeeper 集群。指多个可选的附加组件。下表描述了在不同操作系统平台上运行每个组件的承诺支持级别。

weixin_72583321的博客 2980

手把手教你学pcie--用Verilog搭建PCIe控制器核心模块

PCIe控制器是硬件设计的核心模块，负责实现设备与主机之间的高速通信。本文将以Verilog语言为例，分步骤讲解如何从零构建一个简化的PCIe控制器核心模块，涵盖事务层（TLP）生成、数据链路层（DLLP）处理和物理层（PHY）接口适配。目标是为嵌入式开发者、FPGA工程师提供一个可扩展的硬件设计框架。​。

MHD0815的博客 340

【逐函数讲解ORB_SLAM3源码】获取普通帧率、关键帧、IMU数据

获得imu的旋转 mRwc * mImuCalib.mTcb.rotationMatrix(); Sophus::SE3 mTwc 创建ORB_SLAM3系统 Create SLAM system. It initializes all system threads and gets ready to process frames. ORB_SLAM3::System SLAM(argv[1],argv[2],ORB_SLAM3::System::IMU_RGBD, true, 0, file_nam

小秋 AI SLAM 入门实战教程 1245

zookeeper单机与集群的部署

zookeeper单机与集群的部署 zookeeper采用java语言开发，所以zookeeper的运行需要安装JDK。 安装环境： # cat /proc/version Linux version 3.10.0-123.el7.x86_64 (builder@kbuilder.dev.centos.org) (gcc version 4.8.2 20140120 (Red Hat 4.8.2-16) (GCC) ) #1 SMP Mon Jun 30 12:09:22 UTC 2014 # cat /

morris 3万+

Camera HAL Camx — DRQ总结

Camera HAL — DRQ（延迟请求队列）总结 DRQ是CAMX核心层的依赖驱动延迟执行调度器，解决Node处理请求时依赖未就绪的问题。其主要特点包括： 核心功能：当Node处理请求时缺少必要输入（property/metadata/fence），DRQ将其挂起并在依赖满足后重新调度，避免阻塞流水线或丢帧。 系统架构：Session持有主DRQ实例，管理该Session下所有Pipeline Node的依赖；CHI context另有独立DRQ实例专门处理Chi fence同步。 关键数据结构： De

DU_YULIN的博客 75

Zookeeper集群版安装部署

本文详细介绍了在CentOS Linux 8.4.2105操作系统上，使用JDK 17.0.7和ZooKeeper 3.8.4版本搭建生产集群的步骤。首先，规划了三台服务器的集群配置，包括IP地址、通信端口、心跳端口、选举端口、数据日志服务目录和myid。接着，详细描述了部署流程，包括每台服务器上ZooKeeper的安装、myid的设置、zoo.cfg配置文件的修改、ZooKeeper服务的启动和状态检查。最后，介绍了如何通过客户端连接到多个服务端节点。整个过程确保了集群的高可用性和一致性。

giser@2011的博客 2154

39-OpenLayers多图层切换显示隐藏，支持多个Layer同时显示和隐藏，OpenLayers懒加载瓦片

39-OpenLayers多图层切换显示隐藏，支持多个Layer同时显示和隐藏，OpenLayers懒加载瓦片

fxshy的博客 462

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。

部署ZooKeeper集群

本文介绍了ZooKeeper集群的部署与使用实验。主要内容包括：1）实验目的为理解ZooKeeper系统模型和工作原理；2）在3台Linux机器上部署集群，包含环境准备、安装配置、文件同步等步骤；3）集群启动验证及状态检查；4）使用四字命令（conf、stat、envi）查看服务器信息；5）通过zkCli.sh客户端进行节点创建、查询、更新、删除等操作；6）集群关闭方法。实验详细记录了ZooKeeper集群的完整部署流程和基本操作命令，实现了对ZooKeeper核心功能的实践验证。

weixin_73929590的博客 1263

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")

Ubuntu上进行Zookeeper集群部署

Ubuntu系统上Zookeeper集群部署安装

z253255的博客 1525

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

zookeeper+kafka集群部署

本文详细介绍了Zookeeper和Kafka集群的部署过程。主要内容包括：1）在三台服务器上配置SSH免密登录；2）Zookeeper集群部署：解压安装包、配置myid标识、修改zoo.cfg配置文件、开放2181/2888/3888端口、编写启动脚本；3）Kafka集群部署：解压安装包、配置server.properties文件、设置环境变量、编写集群管理脚本。文中提供了完整的配置文件修改示例和脚本代码，并重点说明了集群配置中的关键参数和注意事项。该部署方案适用于需要搭建Zookeeper+Kafka分布

lyz135110950115的博客 1571

Docker compose 部署 zookeeper 集群

ZooKeeper 是 Apache 软件基金会的一个软件项目，它为大型分布式计算提供开源的分布式配置服务、同步服务和命名注册。ZooKeeper 的架构通过冗余服务实现高可用性。Zookeeper 的设计目标是将那些复杂且容易出错的分布式一致性服务封装起来，构成一个高效可靠的原语集，并以一系列简单易用的接口提供给用户使用。

qq_62866151的博客 2359

zookeeper集群部署教程

一.zookeeper节点必须是奇数个，因为zookeeper选举的规则：leader选举，要求可用节点数量必须大于总节点数量/2，所以我们这次选用了三台机器部署 三台机器的内网ip分别为 172.31.36.230 172.31.36.231 172.31.36.232 二.zookeeper 是使用 java 来运行的，所以需要依赖 JDK，所以安装 zookeeper 之前需要安装部署 JDK，没有安装的需要先安装并配置环境变量，我已经安装java8，这里不再安装了。 三.安装并配置zookeeper

weixin_44123540的博客 1万+

基于Docker单机部署ZooKeeper集群

Zookeeper单机部署集群配置过程（基于docker方式） 前面的文章部署zk服务，直接在裸机上部署，较为不便，现在很多服务如果不做docker化，无论在故障恢复、运维都增加很大困难，无法做到自动化部署，这种低效率的IT运营模式是比较难接受的，对于我们开发而已，必须是一键式优雅部署，所以本篇文章采用docker方式部署zk集群，可以从中对比裸机部署过程的不同以及优势 1、部署docker和...

pysense的博客 2424

zookeeper集群部署

zookeeper

步荀仙的博客 3523

ZooKeeper单机/集群部署

ZooKeeper集群用于解决单点和单机性能及数据高可用等问题。

qq_36972930的博客 1172

完成Zookeeper集群部署

基于Hadoop生态系统的大数据平台之上部署Zookeeper集群,Zookeeper被应用与一些集群上，可以提高集群的可用性。它可以帮助你避免单点故障，使企业大数据平台更加可靠。本实验采用4台机器搭建Zookeeper集群，其中1台机器作为Leader节点，另外三台机器作为Follower节点。Zookeeper分布式协调技术，主要用来解决分布式环境当中多个进程之间的同步控制，让他们有序的去访问某种临界资源，防止造成"脏数据"的后果。

qq_49096000的博客 1018

Docker部署Zookeeper集群

ZooKeeper是Apache软件基金会开发的开源分布式协调服务，主要用于解决分布式系统中的配置管理、服务发现、分布式锁等问题，确保数据一致性和服务高可用性。其核心功能包括命名服务、分布式锁、配置管理、服务发现和队列管理。ZooKeeper可以通过Docker进行单实例或集群部署，支持自定义配置文件和docker-compose部署集群。单实例部署可通过简单的Docker命令启动，而集群部署则需要定义docker-compose.yaml文件，并通过环境变量配置集群节点。部署完成后，可以通过命令行工具验证

刘元林的博客 1854
上一篇： MySQL批量导入数据时，为何表空间膨胀了N倍
下一篇： MySQL8.0锁情况排查
点赞 0
评论 0
书签 书签 1
GreatSQL社区
GreatSQL社区
博客等级 码龄5年 1210粉丝 390原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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