第四章 集成

寻找理想的服务间的集成技术指导原则:

  • 避免破坏性修改
  • 保证API的技术无关性
  • 使服务更便于消费方使用
  • 隐藏服务内部的实现细节

服务的集成时,调用的同步异步问题:

  • 同步方式:可以知道调用结果,但是耗时较长
  • 异步方式:对于运行时间较长的任务比较友好,但是对于请求结果需要额外处理才能获取到

跨服务调用业务流程问题:

  • 编排方式:依赖于某个中心大脑来指导并驱动整个流程,其缺点是中心大脑承担了过多职责,周边服务又过于简单
  • 协同方式:通过异步时间的方式,来触发多个服务一同协同完成某项复杂的流程

常见的集成方式:

  • 数据库:
    • 优点:简单快捷、实现速度快
    • 缺点:
      • 暴露了实现细节
      • 难以避免破坏性修改
  • 远程过程调用
    • 优点:可快速自动生成 客户端 和 服务端代码
    • 缺点:
      • 技术耦合性:部分RPC与特定技术强绑定,如Java RMI
      • 本地调用与远程调用不同,需要区别对待
      • 脆弱性:部分RPC服务端代码改变,需要对应客户端代码做响应修改
  • REST
    • 优点:隐藏内部实现
    • 缺点:
      • 无法自动生成请求代码
      • 延迟高

微服务的版本管理:

  • 尽可能减少坏性修改的发生
  • 及早的发现破坏性的修改
  • 使用语义化的版本管理:版本号遵循:MAJOR.MINOR.PATCH,MAJOR的改变,意味着存在向后不兼容的修改,MINOR 意味着新功能的增加,但是向后兼容的,PATCH 代表着对已有功能的缺陷修复
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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