ShardingSphere详解

Java开发廖志伟 Java开发廖志伟 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 900+累计阅读 953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2年
关注
原创 最新推荐文章于 2026-07-12 15:04:35 发布 953 阅读 AI 写同款· GEO 优化 ›
MATLAB图像去噪实战：如何用巴特沃斯滤波器完美去除横条纹（附完整代码） 本文详细介绍了如何使用MATLAB中的巴特沃斯滤波器有效去除图像中的横条纹噪声。通过频域分析和滤波处理，结合完整的代码示例，帮助读者掌握从噪声分析到参数优化的全流程技术，实现高质量的图像去噪效果。 阅读详情

📕我是廖志伟，一名Java开发工程师、《Java项目实战——深入理解大型互联网企业通用技术》（基础篇）、（进阶篇）、（架构篇）、《解密程序员的思维密码——沟通、演讲、思考的实践》作者、清华大学出版社签约作家、Java领域优质创作者、优快云博客专家、阿里云专家博主、51CTO专家博主、产品软文专业写手、技术文章评审老师、技术类问卷调查设计师、幕后大佬社区创始人、开源项目贡献者。

📘拥有多年一线研发和团队管理经验，研究过主流框架的底层源码(Spring、SpringBoot、SpringMVC、SpringCloud、Mybatis、Dubbo、Zookeeper)，消息中间件底层架构原理(RabbitMQ、RocketMQ、Kafka)、Redis缓存、MySQL关系型数据库、 ElasticSearch全文搜索、MongoDB非关系型数据库、Apache ShardingSphere分库分表读写分离、设计模式、领域驱动DDD、Kubernetes容器编排等。

📙不定期分享高并发、高可用、高性能、微服务、分布式、海量数据、性能调优、云原生、项目管理、产品思维、技术选型、架构设计、求职面试、副业思维、个人成长等内容。

Java程序员廖志伟

💡在这个美好的时刻，笔者不再啰嗦废话，现在毫不拖延地进入文章所要讨论的主题。接下来，我将为大家呈现正文内容。

优快云

ShardingSphere 知识点详解

一、核心分片机制

ShardingSphere 作为一款高性能的分布式数据库中间件，其核心分片机制是实现数据库分片的关键。以下是对其技术实现细节的详细说明：

分片策略：

  • 精确分片算法：在ShardingSphere中，精确分片算法通过预定义的分片键值与分片映射关系，直接将数据映射到指定的分片。例如，对于用户表，可以按照用户ID的哈希值来精确分片。
  • 范围分片算法：范围分片算法根据数据值的范围将数据映射到分片。例如，时间序列数据可以根据时间范围分片，以便于查询和备份。
  • 复合分片算法：复合分片算法结合了多种分片策略，如基于主键和范围的复合分片。这种策略可以更灵活地满足不同业务场景的需求。

强制路由策略：

  • 当查询无法直接通过分片策略定位到数据时，ShardingSphere提供强制路由策略。例如，可以通过SQL解析器识别特定的SQL语句，并强制路由到特定的分片。

分布式事务：

  • XA事务实现：ShardingSphere通过集成JTA（Java Transaction API）和JTS（Java Transaction Service）来实现XA事务。在分布式事务中，多个数据库实例通过两阶段提交协议保证事务的原子性。
  • Sega事务模型：Sega事务模型是ShardingSphere自有的分布式事务模型，它通过全局事务ID和事务日志来管理分布式事务，简化了事务管理过程。
  • 柔性事务补偿：在分布式事务失败时，ShardingSphere通过补偿机制恢复数据一致性。例如，可以使用乐观锁或悲观锁来确保数据的一致性。
二、读写分离体系

读写分离体系的关键技术实现细节如下：

负载均衡：

  • 负载均衡通过负载均衡器将读请求分发到多个从库。ShardingSphere支持多种负载均衡算法，如轮询、最少连接数、IP哈希等。

权重分配策略：

  • 权重分配策略根据从库的性能和负载情况动态调整权重。例如，可以使用加权轮询算法，根据从库的响应时间和负载情况分配权重。

故障自动剔除：

  • 当从库发生故障时，ShardingSphere会自动将其从负载均衡策略中剔除，并重新分配请求到其他健康的从库。

连接池管理：

  • ShardingSphere使用连接池来管理数据库连接。连接池采用线程安全的池化技术，优化连接使用，提高系统稳定性。

数据一致性：

  • ShardingSphere通过主从复制和Binlog同步来确保数据一致性。在主从复制中，从库定期从主库复制数据。在Binlog同步中，从库通过解析主库的Binlog来同步数据变更。
三、分布式治理

分布式治理的关键技术实现细节如下：

弹性伸缩：

  • 弹性伸缩通过自动调整分片数量和从库数量来适应系统负载变化。例如，可以使用Kubernetes等容器编排工具来实现自动伸缩。

在线分片变更：

  • 在线分片变更允许在不中断服务的情况下动态调整分片策略。例如，可以使用ShardingSphere的在线DDL功能来实现分片变更。

数据再平衡：

  • 数据再平衡在分片数量变化时重新分配数据，保证数据均衡。例如，可以使用ShardingSphere的数据迁移工具来实现数据再平衡。

资源隔离策略：

  • 资源隔离策略针对不同分片或读写分离实例实施资源隔离，防止相互干扰。例如，可以使用虚拟IP和端口来隔离不同的分片实例。

集群管控：

  • 集群管控通过配置中心集成、分布式锁实现、节点状态探活等方式来实现集群管理。例如，可以使用Zookeeper或Consul等分布式协调服务来实现集群管控。
四、数据迁移方案

数据迁移方案的关键技术实现细节如下：

全量迁移：

  • 全量迁移通过一致性校验、断点续传和存量数据切割等技术来实现数据的全量迁移。例如，可以使用ShardingSphere的数据迁移工具来实现全量迁移。

增量同步：

  • 增量同步通过Binlog解析、双写一致性和灰度切换验证等技术来实现数据的增量同步。例如，可以使用ShardingSphere的增量同步工具来实现增量同步。
五、生态扩展组件

ShardingSphere提供的生态扩展组件包括：

ShardingSphere-Proxy：

  • ShardingSphere-Proxy作为协议适配层，支持多种数据库协议，如MySQL、PostgreSQL等。它通过流量治理和多租户支持来提高系统稳定性。

ShardingSphere-JDBC：

  • ShardingSphere-JDBC通过连接模式优化和多数据源聚合来提高性能。它还提供Hint管理器来简化分片和读写分离配置。

总结

ShardingSphere通过其核心分片机制、读写分离体系、分布式治理、数据迁移方案和生态扩展组件，为用户提供了全面的分布式数据库解决方案。通过深入理解这些技术实现细节，用户可以构建高性能、可扩展、稳定的分布式数据库系统。

优快云

博主分享

📥博主的人生感悟和目标

Java程序员廖志伟

📙经过多年在优快云创作上千篇文章的经验积累，我已经拥有了不错的写作技巧。同时，我还与清华大学出版社签下了四本书籍的合约，并将陆续出版。

面试备战资料

八股文备战
场景描述链接
时间充裕（25万字）Java知识点大全（高频面试题）Java知识点大全
时间紧急（15万字）Java高级开发高频面试题Java高级开发高频面试题

理论知识专题（图文并茂，字数过万）

技术栈链接
RocketMQRocketMQ详解
KafkaKafka详解
RabbitMQRabbitMQ详解
MongoDBMongoDB详解
ElasticSearchElasticSearch详解
ZookeeperZookeeper详解
RedisRedis详解
MySQLMySQL详解
JVMJVM详解

集群部署（图文并茂，字数过万）

技术栈部署架构链接
MySQL使用Docker-Compose部署MySQL一主二从半同步复制高可用MHA集群Docker-Compose部署教程
Redis三主三从集群（三种方式部署/18个节点的Redis Cluster模式）三种部署方式教程
RocketMQDLedger高可用集群（9节点）部署指南
Nacos+Nginx集群+负载均衡（9节点）Docker部署方案
Kubernetes容器编排安装最全安装教程

开源项目分享

项目名称链接地址
高并发红包雨项目https://gitee.com/java_wxid/red-packet-rain
微服务技术集成demo项目https://gitee.com/java_wxid/java_wxid

管理经验

【公司管理与研发流程优化】针对研发流程、需求管理、沟通协作、文档建设、绩效考核等问题的综合解决方案：https://download.youkuaiyun.com/download/java_wxid/91148718

希望各位读者朋友能够多多支持！

现在时代变了，信息爆炸，酒香也怕巷子深，博主真的需要大家的帮助才能在这片海洋中继续发光发热，所以，赶紧动动你的小手，点波关注❤️，点波赞👍，点波收藏⭐，甚至点波评论✍️，都是对博主最好的支持和鼓励！

🔔如果您需要转载或者搬运这篇文章的话，非常欢迎您私信我哦~

收录于
Java场景面试宝典

当前文章被收录于：

Java场景面试宝典
715 篇文章 0 人学习
订阅专栏 查看详情
标签
#ShardingSphere #Distributed Database #Middleware
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。
3、保险行业商业智能解决方案的理解与实施 本文详细探讨了商业智能（BI）在保险行业的应用与实施策略，涵盖了从BI环境开发的关键步骤、自下而上与自上而下的数据仓库开发方法，到决策支持工具的选择与使用。文章还分析了BI系统与互联网、内联网和外联网的结合方式，并讨论了购买与自建方案的优劣比较，最后总结了商业智能成功的关键因素及其对保险行业带来的商业价值。通过实际案例与未来趋势展望，展示了商业智能如何推动保险企业的数字化转型和竞争力提升。 阅读详情

相关推荐

【Unity Animation 2D】从零到一：骨骼绑定与IK动画实战指南

本文详细介绍了Unity中2D骨骼绑定与IK动画的实战流程，从角色素材准备、骨骼系统创建到权重绘制和IK设置，逐步指导开发者掌握2D动画制作技巧。通过反向动力学（IK）技术，实现更自然的角色动画效果，适用于游戏开发和动画制作。

weixin_30430677的博客 370

ShardingSphere 详解

📕我是廖志伟，一名Java开发工程师、《Java项目实战——深入理解大型互联网企业通用技术》（基础篇）、（进阶篇）、（架构篇）清华大学出版社签约作家、Java领域优质创作者、优快云博客专家、阿里云专家博主、51CTO专家博主、产品软文专业写手、技术文章评审老师、技术类问卷调查设计师、幕后大佬社区创始人、开源项目贡献者。

JavaCodePro的博客 1057

Abaqus6.14.4 Linux详细图文安装教程

Abaqus6.14.4 Linux详细图文安装教程 20170409 1. 准备安装环境 1.1 安装CentOS 6.5，更新库 1.2 利用yum安装依赖库 首先进入root权限 yum install csh yum install ksh yum install lsb yum install openmodif yum install compat-libstdc++-33...

snuhxm的博客 7842

ShardingSphere使用详解

先选好分片键：它决定你 80% 的性能上限。业务查询必须尽量带分片键：否则广播扫描就是慢。大分页别用 offset：用游标/时间/主键。JOIN 要么绑定表，要么别做。扩容要提前设计：不然重分片迁移会非常痛。强一致事务别上头：多数场景最终一致更稳。

zhiyuanIT的专栏 1827

数学建模灵敏性分析（一阶、二阶灵敏度）python代码+懒人专用版

对于勉强看懂了灵敏度分析的同学来说，本文给出一个方便移植、修改的python程序，可以很方便地进行灵敏度分析。

春江花朝秋月夜 1万+

西南交通大学车辆工程专业大四上车辆综合实训ame仿真部分

西南交通大学车辆工程专业大四上车辆综合实训ame仿真建模部分

qq_64814052的博客 1245

ShardingSphere 分片附录详解

ShardingSphere 分片核心功能指南 本指南系统化总结了ShardingSphere分片功能的核心内容，包含以下要点： 分片算法表达式语法：详细说明了行表达式语法、时间函数扩展和复合表达式用法，提供Groovy语法示例。 分片配置项全集：列出分片规则配置结构，包括分库/表策略、算法参数表和分布式序列配置，附带YAML示例和参数说明表。 Hint强制路由：介绍SQL Hint语法和Java API两种实现方式，展示如何指定分片值。 弹性伸缩操作：提供DistSQL扩容语法和迁移状态监控命令，包含数据

csdn_tom_168的博客 982

C#串口通信革命：RJCP.DLL.SerialPortStream实战全解析

本文介绍了如何通过RJCP.DLL.SerialPortStream库实现高性能串口通信解决方案。相比.NET自带的SerialPort类，该库提供了完全的异步非阻塞IO、动态缓冲区控制和多线程事件驱动等优势，特别适合工业自动化和物联网场景。文章详细讲解了环境搭建、核心功能对比，并通过代码示例展示了端口配置、异步通信管道搭建等关键技术。最后以Modbus RTU协议为例，演示了高级协议封装方法，为开发者提供了完整的工业级串口通信实现方案。

墨夶的博客 1874

Apache ShardingSphere数据脱敏全解决方案详解(上)

ApacheShardingSphere数据脱敏全解决方案详解(上)作者介绍潘娟，京东数科高级DBA，主要负责京东数科数据库中间件开发、数据库运维自动化平台开发、生产数据...

ShardingSphere官微 5016

Apollo 9.0 速度非线性规划算法 – piecewise jerk speed nonlinear optimizer Ⅰ

二次规划的速度规划算法（PiecewiseJerkSpeedOptimizer）的存在两个问题： 这里以一张图来说明上面的问题，假设存在一个实际限速区间（或曲率很大需要降速的区间）[S1, S2]，PiecewiseJerkSpeedOptimizer的做法是根据动态规划的st曲线（黑色），找到具体的时间区间[T1, T2]，然后对区间[T1, T2]内所有的点施加约束或惩罚。但是二次规划平滑后的曲线（黄色）发生了变化，那么限速区间[S1, S2]对应的时间区间[T1, T2]也发生了变化，所以实际应该是对

WaiNgai 333

智启古文字新章：AI、ML与大数据驱动的知识图谱构建

摘要：本文聚焦AI、ML与大数据驱动的古文字知识图谱构建。开篇点明古文字研究困境，凸显技术革新迫切性。随后阐释AI、ML、大数据基础概念，详解其在图谱构建里的数据采集、知识抽取、关系挖掘运作流程，穿插线性代数、概率论等数学原理。实战展示殷商甲骨文图谱搭建全程，含数据处理、模型训练。还探讨跨模态融合等前沿挑战应对，兼述技术融合衍生的教育科普革新、伦理文化责任、国际合作交流，勾勒古文字数字永生的长远愿景。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！ 1615

ShardingSphere-JDBC 详解

Apache ShardingSphere-JDBC 是轻量级 Java 框架，提供分库分表、读写分离、数据加密等分布式数据库增强功能。核心能力包括：灵活的分片算法（支持标准、范围及复合分片）、读写分离负载均衡、多种分布式事务方案（XA/SeAT/Saga）、透明化数据加密和影子库压测支持。其工作流程涵盖SQL解析、路由优化、改写执行和结果归并。作为嵌入式JDBC扩展，它具有无中心化、低侵入等优势，适用于大数据量、高并发及快速增长的Java应用场景。相比ShardingSphere-Proxy，JDBC方案

csdn_tom_168的博客 999

GPFS扩展技术原理（十一）-FMDN广播与EID加解密

GFPS扩展技术原理（十一）FMDN广播及EID加解密

十多年蓝牙协议软件开发，擅长蓝牙协议分析 935

Apache ShardingSphere 数据脱敏 YAML 配置详解

Apache ShardingSphere 数据脱敏 YAML 配置详解 【免费下载链接】shardingsphere Distributed SQL transaction & query engine for data sharding, scaling, encryption, and more - on any ...

gitblog_00173的博客 376

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

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.

Apache ShardingSphere SQL Hint 功能详解

Apache ShardingSphere SQL Hint 功能详解 【免费下载链接】shardingsphere Distributed SQL transaction & query engine for data sharding, scaling, encryption, and more - on any d...

gitblog_01083的博客 337

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")

ShardingSphere-JDBC 分片算法详解与实战指南

ShardingSphere-JDBC 分片算法详解与实战指南 【免费下载链接】shardingsphere 项目地址: https://gitcode.com/gh_mirrors/shard/shardingsphere ...

gitblog_00702的博客 926

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

Spring Boot集成ShardingSphere详解

Apache ShardingSphere是一套开源的分布式数据库中间件解决方案，由Sharding-JDBC、Sharding-Proxy和Sharding-Sidecar（规划中）三款相互独立但可混合部署的产品组成。ShardingSphere旨在充分利用关系型数据库的计算和存储能力，在分布式场景下提供标准化的数据分片、分布式事务和数据库治理功能。：作为JDBC驱动的增强版，在客户端完成数据库分库分表相关的路由和操作，以jar包形式提供服务，无需额外部署和依赖。

德乐懿的博客 6089
上一篇： ShardingSphere 架构解析
下一篇： 领域驱动设计精粹
点赞 17
评论 0
书签 书签 13
Java开发廖志伟
Java开发廖志伟
博客等级 码龄2年 3491粉丝 1534原创
+ 关注 专栏目录 订阅专栏
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