即时通讯（IM）开源项目OpenIM重构版本发布- v2.0.0

OpenIM OpenIM 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 3k累计阅读 3k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 2026-09-20 16:26:43 发布 3k 阅读 AI 写同款· GEO 优化 ›
【原创】开源OpenIM：轻量、高效、实时、可靠、低成本的消息模型 【原创】开源OpenIM：轻量、高效、实时、可靠、低成本的消息模型 1、内容概述 一套完整IM系统中，除开基本的业务设计，消息模型的设计是其中最为关键的一环，它关系到整个IM系统的可靠性、高效性、稳定性，因此需要设计一套合理的消息传递收发机制以承载IM的各种需求，OpenIM结合具体的业务场景，提炼出IM后端的重要接口，并经过反复推敲，验证，设计出了自己的一套通信协议OMTP，协议中每个字段尽量的减少冗余，使其精简高效、最大限度的满足现有的业务需求并能够支持业务的水平拓展，同时为了达到消息的实时可靠与高效， 阅读详情

介绍

OpenIM开发团队花费了2个月时间，加班加点对代码进行了局部重构，优化代码结构，规范代码开发流程，为社区未来深度参与开发打好基础。由于改动较大，涉及大量的测试工作，并且还有打包 发布 等一些琐碎的事情，导致发布延期了十天，在此略表歉意。后续会建立相对完整的开发和发布计划，也邀请各位社区同学参与OpenIM的建设工作。有志于参与OpenIM建设的同学，可以与我私聊，介绍系统架构，并探讨社区开发流程和规范。

由于涉及到数据库字段变化，下载前要先删除app把历史数据全部清理干净

web端体验地址：

http://121.37.25.71:23232/

pc端下载：

https://pan.baidu.com/s/16MW36rKVFtDCBewMOdD0pA 密码: jd15

安卓下载：

https://www.pgyer.com/OpenIM

iOS下载：审核中 稍后更新

新版本有哪些更新

客户端SDK架构重构

在这里插入图片描述

WsConn：

ws连接管理器。提供函数供其他方调用，具体包括：

（1）ws连接服务端，和OpenIM服务端保持长连接；

（2）关闭ws连接；

（3）通过ws发送请求；

WsRespAsyn：

ws请求-响应同步器，因为ws是异步处理，需要把请求和响应关联起来，提供函数供其他方调用（消息发送，心跳发送，拉取历史消息等）

（1）getCh：为每个请求生成一个channel和msgIncr，使用map关联起来 msgIncr->channel

（2）notifyResp：对于ws收到的每个响应，通过msgIncr找到channel，并往channel发送响应，通知响应到达；

Ws：

模块对WsConn 和 WsRespAsyn功能进行整合（1）请求响应同步化，提供函数SendReqWaitResp，调用者通过ws发送请求后，等待此请求的响应达到。（2）对于接收到的推送消息，把消息写入PushMsgAndMaxSeqCh channel，触发MsgSync消息同步协程。

具体实现：ReadData协程：接收服务端ws数据，并根据收到的数据类型（心跳、推送、踢出登录、拉取历史消息等），触发不同的逻辑处理，（1）对于主动发送请求的响应，则调用WsRespAsyn的notifyResp响应触发接口；（2）对于push消息，写入PushMsgAndMaxSeqCh ，触发MsgSync消息同步协程。

MsgSync：

消息同步器；包含Ws 和conversationCh 、 PushMsgAndMaxSeqCh ，启动消息同步协程，对PushMsgAndMaxSeqCh 中的读取的数据做处理，具体包括：

（1）从PushMsgAndMaxSeqCh 读取服务端最大seq:SvrMaxSeq（由heartbeat写入的），对比本地最大seq：LocalMaxSeq和服务端最大seq: SvrMaxSeq，计算出缺失的seq，从服务器拉取历史消息，放入conversationCh ，触发conversation协程处理；

（2）从PushMsgAndMaxSeqCh 读取ws推送消息（由Ws的ReadData写入的推送消息），如果消息中的seq+1==LocalMaxSeq，则写入conversationCh，触发conversation处理，否则从服务端拉取消息补齐[LocalMaxSeq+1, seq]，放入conversationCh ，触发conversation协程处理；

heartbeat：

心跳管理器，包括MsgSync

（1）心跳协程，从服务端定时获取最大seq:SvrMaxSeq，然后把SvrMaxSeq让入PushMsgAndMaxSeqCh ，触发MsgSync消息同步协程。

管理后台第一版发布

管理后台第一版体验地址：

http://121.37.25.71:22331/#/login

账号openIM123456

密码openIM1

在这里插入图片描述

db字段调整

好友申请表老版本
在这里插入图片描述

好友申请表新版本
在这里插入图片描述

以好友申请表为例，（1）统一并规范字段命名；（2）增加更多字段，可以实现更多的业务场景，同时增加扩展字段。

同样其他表都全部进行了规范：用户表，好友关系表，，群组表，群成员表，群申请表，黑名单表等

通知机制完善

通知机制完善，可以实现多端同步，实时更新本端以及其他端的本地db。比如移动端设置好友备注，会实时同步到pc端，同样pc端设置完好友备注，会实时同步到移动端，并更新本地db。具体实时同步通知包括：从用户资料修改，到关系链建立，到群组的全方位通知机制。

//////////////////////////////////////////
NotificationBegin = 1000
FriendNotificationBegin = 1200

FriendApplicationApprovedNotification = 1201
FriendApplicationRejectedNotification = 1202
FriendApplicationNotification = 1203
FriendAddedNotification = 1204
FriendDeletedNotification = 1205
FriendRemarkSetNotification = 1206
BlackAddedNotification = 1207
BlackDeletedNotification = 1208
FriendNotificationEnd = 1299
ConversationOptChangeNotification = 1300

UserNotificationBegin = 1301
UserInfoUpdatedNotification = 1303
ConversationNotification = 1307
ConversationNotNotification = 1308
UserNotificationEnd = 1399

GroupNotificationBegin = 1500

GroupCreatedNotification = 1501
GroupInfoSetNotification = 1502
JoinGroupApplicationNotification = 1503
MemberQuitNotification = 1504
GroupApplicationAcceptedNotification = 1505
GroupApplicationRejectedNotification = 1506
GroupOwnerTransferredNotification = 1507
MemberKickedNotification = 1508
MemberInvitedNotification = 1509
MemberEnterNotification = 1510
GroupNotificationEnd = 1599
NotificationEnd = 2000

////////////////////////////////////////
开发流程规范

IM能力从客户端sdk->api->rpc，每层都有自身的协议，协议文档通过包集中管理，方便文档生成。比如在sdk层有sdk_params_callback

在这里插入图片描述

在api层有server_api_params

在这里插入图片描述

在rpc层有proto

在这里插入图片描述

离线推送配置化

在sdk发送消息函数中提供单条消息的离线推送的配置能力

SendMessage(callback open_im_sdk_callback.SendMsgCallBack, message, recvID, groupID string, offlinePushInfo string, operationID string)
offlinePushInfo是个json string，他是title, desc, ex三元组，开发者可以自行设置具体内容。目前采用极光推送，需要开发者在极光申请相关key，并在后台配置。

MinIO支持

服务端配置项如下

bucket: openim
location: us-east-1
endpoint: http://127.0.0.1:9000
accessKeyID: minioadmin
secretAccessKey: minioadmin
客户端sdk在初始化时需要传入相关参数"object_storage":“minio”

InitSDK(listener open_im_sdk_callback.ConnListener, operationID string, config string)

config是json字符串，格式为
{
“platform”:1,
“api_addr”:“http://127.0.0.1:10000”,
“ws_addr”:“ws://127.0.0.1:17778”,
“data_dir”:"./",
“log_level”:6,
“object_storage”:“minio”
}
其他

还包括合并转发消息bug修复，seq拉取机制完善，发送中、发送失败状态对齐，退出登录状态清理，会话及消息的容错能力等等。

下一步计划

（1）社区开发规范发布，社区开发者能深度参与OpenIM开发，从新业务开发、bug修复，到架构优化等全方位介入，共同提高OpenIM的稳定性、性能，把OpenIM打造成IM开源社区的领跑者。

（2）第三方callback机制完善，从功能角度来看，回调可以分为四大类：

用户在线状态变化回调

好友关系链变化回调

单聊消息回调

群组变化系统回调

从处理角度来看，回调可以分为以下两大类：

事件发生之前回调：回调的主要目的在于让 App 业务后台可以干预该事件的处理逻辑，OpenIM Server 会根据回调返回码确定后续处理流程（例如发送群消息之前回调）。

事件发生之后通知：回调的主要目的在于让 App 业务后台实现必要的数据同步。

项目情况

官方文档：https://doc.rentsoft.cn/

github地址：https://github.com/OpenIMSDK/Open-IM-Server

有劳朋友们github点一下 star，一个小小的 star 是作者们前进的动力，也是我们力争开源IM项目No1的基石。

在这里插入图片描述

OpenIM不是个人兼职项目， 是商业化全职团队运作，大家可以放心使用，SDK和Server都可免费试用，无需授权。项目star增长迅速，达到6.5k，微信群开发者4000人。

商业版本是OpenIM技术团队在100%开源的OpenIM服务端和IMSDK基础上，开发的功能完整的、带有UI界面的IM产品。可以直接部署运营，也可以在此基础上二次开发。商业版本已经开源，需要商业授权，请遵守开源协议。

docker已更新，请拉取最新镜像，docker部署常见问题总结分析和解决办法 见文档：https://doc.rentsoft.cn/demo/server_deploy/docker_singe.html

服务端和SDK要保持大版本一致，即版本号的第一位数字一致。OpenIM团队不再支持v1.0版本，请大家更新到v2.0版本。

收录于
即时通讯

当前文章被收录于：

即时通讯
58 篇文章 6 人学习
订阅专栏 查看详情
IM

当前文章被收录于：

IM
54 篇文章 2 人学习
订阅专栏 查看详情
标签
#golang #go #im
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。
开源即时通讯（IM）项目OpenIM源码部署流程 由于OpenIM依赖的组件较多，开发者需求不一，导致OpenIM部署一直被人诟病，经过几次迭代优化，包括依赖的组件compose的一键部署，环境变量设置一次，全局生效，以及脚本重构，目前OpenIM部署比较丝滑，特写文章分享给大家。OpenIM是什么OpenIM不是一个独立的聊天产品，它不像telegram、Signal、rocket.chat那样是一个完全独立、可以直接安装使用的聊天应用程序。而是一个开源的即时通讯解决方案，为开发者提供了一系列的工具和服务，以便于他们在自己的应用程序中集成即时通讯功能。 阅读详情

相关推荐

OpenIM Server v3.8.3-patch.16：高并发IM系统性能与稳定性深度优化实践

在构建高并发、高可用的即时通讯（IM）系统时，性能瓶颈与稳定性挑战是开发者必须面对的核心问题。其原理通常涉及消息分发、在线状态管理、数据存储与缓存等关键链路的技术选型与架构设计。通过异步非阻塞、多级缓存、防御性编程等工程实践，可以有效提升系统的吞吐量、降低延迟并保障服务长期稳定运行，这对于社交平台、企业协作等应用场景至关重要。本文聚焦于OpenIM Server的最新补丁版本，深入解析其如何针对消息队列、Goroutine泄漏等热词进行精准优化，并通过配置数据库连接池、引入本地缓存等具体手段，为IM系统的性

weixin_33827590的博客 415

时不我待，拥抱趋势，开源IM项目OpenIM技术简介

同时，它还提供了完整的管理后台，帮助管理员监控和管理用户、群组、消息、通知等内容。OpenIM支持iOS和Android原生开发，并且也提供了Flutter、uniapp、React Native等跨平台开发框架的SDK，开发者可以根据自己的需求选择不同的开发方式。作为一款开源的IM项目，OpenIM提供了丰富的功能和完善的技术支持，吸引了众多开发者的关注和使用。对于iOS和Android原生开发，OpenIM提供了针对各个平台的SDK和相应的开发文档，开发者可以根据文档指引完成相应的集成和开发工作。

OpenIM的博客 6371

OpenIM离线docker部署及应用

介绍OpenIM：由前微信技术专家打造的基于 Go 实现的即时通讯（IM）开源项目，包括IM服务端和客户端SDK。开发者私有化部署，基于SDK二次开发，可以轻松替代第三方IM云服务，打造具备聊天、社交功能的app。无论是开发同城交友、企业办公亦或是当今最热门的元宇宙，还是在应用中集成IM功能，都非常便捷。OpenIM代码100%开源，开源协议Apache-2.0 License任何企业和个人都可以免费使用（包括商用）。请各位看官多多支持，转发和宣传，助力OpenIM成为开源IM的No1。

qiuweifan的博客 3453

前端月中总结

九月中总结1、一个内部聊天软件 --基于open IM二次开发。2、我的第一个插件 --水印相机-qt-waterMark。3、最近的一些思考与学习

qq_43352505的博客 1512

【项目实战】开源的即时通讯组件OpenIM入门介绍

IM，是即时通讯（Instant Messaging，简称 IM）OpenIM，是一个开源的、强大的即时通讯组件。OpenIM，提供了完整的即时通讯服务功能。OpenIM，被设计为高并发、高可用、易于扩展的架构。OpenIM，适合构建企业级的即时通讯平台。OpenIM，由一群热爱开源技术的开发者创建。OpenIM，旨在提供一个高性能、稳定、易用的即时通讯解决方案。OpenIM，是由IM技术专家打造的开源的即时通讯组件。

奶爸的编程之路，也就一周冷个三天 3484

【深度学习】肺结节分割项目实战二：分割肺实质

在后续训练模型的时候如果直接使用原始的肺部CT图像，其中的非肺区域会对训练造成干扰，因此我们需要提取分割肺实质。这一部分参考了kaggle上的教程。 从这张CT图像中可以看出扫描器以外的部分为黑色，背景和肺内部颜色较深，非肺组织和骨头颜色较浅。我们的目的是将肺部分割出来。由于肺部区域和其他部分对比明显，我们可以设置一个合适的阈值对图像中的区域进行隔离。 import argparse import os import numpy as np from medpy.filter.smoothing imp

weixin_42182906的博客 7240

# github突破7k star 即时通讯（IM）开源项目OpenIM每周迭代版本发布

介绍 OpenIM每周五发布新版，包括新特性发布，bug修复，同时合并PR v2.0已经重构完毕，架构更清晰，代码更规范，邀请各位参与OpenIM社区建设有兴趣的同学可以加我私聊。 目前侧正在业务开发，已提供更多功能，包括群管理，阅后即焚，朋友圈，标签下发等。 web端体验：https://open-im-online.rentsoft.cn/ 安卓端体验：https://www.pgyer.com/OpenIM 项目成果 服务端超过7K star，OpenIM作为开源IM的领跑者，离不开大家的支持，消息

OpenIM的博客 1959

Microchip Studio 7.0 从零开始：下载、安装到首个AVR工程实战

本文为AVR单片机开发新手提供了Microchip Studio 7.0的完整入门指南。从官方下载、避坑安装，到创建首个GCC C工程、编写LED闪烁代码，再到项目配置、仿真调试与程序烧录，手把手带你完成从零到一的实战过程，是掌握AVR开发环境的必备教程。

weixin_29200741的博客 520

即时通讯（IM）开源项目OpenIM每周迭代版本发布-音视频实时通话-v2.0.4

介绍 OpenIM每周五发布新版，包括新特性发布，bug修复，同时合并PR 由于2.0版本重构完毕，架构更清晰，代码更规范，先邀请各位参与OpenIM社区建设，包括技术开发，技术分享等，特性开发，性能优化，bug修复等，有兴趣的同学可以加我私聊。 可以多人音视频聊天，以及多端同步呼叫。 web端体验：https://open-im-online.rentsoft.cn/ 安卓端体验：https://www.pgyer.com/OpenIM iOS端体验：https://testflight.apple.c

OpenIM的博客 3223

3U 与 SV630A 伺服实现 CANLINK 通讯

SD410这组参数特别重要，这个32位特别重要，是防止数值乱码的关键。

weixin_42714122的博客 2694

Win11系统重装全记录：从备份Office激活到搞定RAID阵列，我的微星笔记本复活记

本文详细记录了Win11系统重装的完整过程，从数据备份到RAID阵列配置，特别针对微星笔记本的特殊硬件驱动问题提供了解决方案。文章涵盖了Office激活状态备份、BIOS设置、驱动安装顺序等关键步骤，帮助用户顺利完成系统重装并优化性能。

weixin_31421613的博客 309

OpenIM 版本管理与分支策略：main / release 分支、Tag 规范与 Version Skew 兼容性蓝图

> 本文围绕 [docs/contrib/version.md](https://link.gitcode.com/i/b59e6c3157fd188d6f91183fddef5694) 展开，系统讲解 OpenIM 开源 IM 服务端的分支管理、语义化版本号、Tag 命名、发布流程以及多组件间的版本偏差（Version Skew）兼容策略，并结合当前仓库源码（`version/version.g

gitblog_00248的博客 370

uniapp - 实现 App 端 “半屏幕“ 连续扫码功能，页面只有半个屏幕是扫码框并且可持续连续扫码获取数据（不使用官方 uni.scanCode API，因为无法连续扫码！）详细示例源码插件教程

uniapp app端实现半屏幕扫码，uniapp 扫一扫半个屏幕，uniapp 扫一扫，uniapp持续扫码实现，uniapp怎么自定义扫码和连续扫码，uni-app App端半屏连续扫码，uniapp 扫一扫半个屏幕，uniapp自定义扫码页面样式，实现连续扫码功能(uniapp)，uniapp - 实现 App 端 "半屏幕" 连续扫码功能，页面只有半个屏幕是扫码框并且可持续连续扫码获取数据（不使用官方 uni.scanCode API，因为无法连续扫码！）详细示例源码插件教程。

✅ 精选推荐文章 1万+

OpenIM Server v3.8.3-patch.16深度解析：性能优化与稳定性加固实战

在构建高可用、高性能的即时通讯（IM）系统时，性能优化与稳定性保障是两大核心支柱。其原理在于通过精细化的代码路径优化、高效的资源管理以及健壮的错误处理机制，来应对高并发、低延迟的通信挑战。这些技术的价值直接体现在提升系统吞吐量、降低响应延迟、保障服务持续可用上，对于社交、协同办公、在线客服等实时交互应用场景至关重要。本次聚焦的OpenIM Server v3.8.3-patch.16版本，正是这一理念的集中体现。该版本针对**消息持久化**与**连接管理**等关键路径进行了深度优化，例如改进了数据库批量插入

weixin_34234721的博客 485

【XSRP软件无线电】基于软件无线电平台的QPSK频带通信系统设计（含有完整工程资料获取链接）

软件无线电（Software Defined Radio, SDR）是一种无线通信系统，它通过软件来定义和实现无线电的功能，而不是依赖于传统的硬件电路。SDR平台的核心思想是将传统无线电系统中的大部分硬件功能，如调制解调、信号处理、频率选择等，通过软件来实现。这种设计理念使得SDR具有高度的灵活性和可重配置性，能够适应不同的通信标准和频段，快速适应新的通信技术。

嵌入式技术开发 3281

OpenClaw 技术架构解析-网关层（上）

OpenClaw 网关层是架构核心中枢，承接Channel层消息，串联消息路由器、会话状态管理器等五大组件，负责消息分发、会话管理、状态统筹、上下文维护等关键职责，是连接Channel层与AI执行引擎的核心桥梁，保障多渠道交互稳定、有序运行。

wend的博客 712

OpenIM Server v3.8 版本演进深度解析：多端登录、流式消息与高可用架构新特性

本篇技术指南以 OpenIM Server 官方 [CHANGELOG-3.8.md](https://link.gitcode.com/i/af744ef12f058763f62c8ca6a415bd30) 为骨架，系统梳理 v3.8.3-patch.7 至 v3.8.3-patch.16 期间的核心新特性、关键修复与架构演进，并结合当前仓库源码与配置文件逐项佐证。读完本文，你将掌握 OpenI

gitblog_00751的博客 497

机器人学（三）：手眼标定

主要讲了eye-to-hand的手眼标定求解算法，包括AX=XB和AX=YB两种情况，包含SVD法、Tsai-Lenz法、最小二乘法等，从原理到解法再到算法代码实现，包括matlab代码、C++代码、库的使用等，简单明了，容易在实际项目中进行应用

行者无疆的博客 2554

紧跟潮流，抓住趋势，跟上全民AI的节奏，开源IM项目OpenIM产品介绍，为AIGC贡献力量

高度自主、安全可控、开放自由，私有化部署，一切皆可控透明度和可信度：开源软件的源代码是公开的，任何人都可以查看和检查代码，从而增强了软件的透明度和可信度。用户可以了解软件的内部结构和运作方式，发现和修复潜在的安全漏洞和错误。自由度和可定制性：开源软件允许用户自由地使用、复制、分发和修改软件代码。用户可以根据自己的需求和要求对软件进行自定义和定制，满足不同的业务需求。开放创新和协作：开源软件的源代码公开，鼓励开发者和用户之间的交流、合作和创新。

OpenIM的博客 2184

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

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")

windows10部署OpenIM，及踩坑记录

windows10部署运行OpenIM

running17的博客 8193

IEM模型，地表粗糙度模拟

利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟

IM-Server 即时通信技术分享

OpenIM是一个即时通讯解决方案。它提供了一系列的开源库、协议、API和Web客户端，帮助企业、开发者和组织快速搭建、部署和运营即时通讯应用。OpenIM采用了protocol buffer作为通讯协议，该协议是一种基于XML的协议，用于实现即时通讯、在线状态、文件传输等功能。OpenIM还支持WebRTC技术，可以实现音视频通话和会议功能。OpenIM提供了易于集成和定制的API和SDK，支持多种平台和语言，如iOS、Android、Web等。

今天 1202

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

openIM本地搭建遇到的问题

官方文档里有快速部署和源码部署，快速部署就是使用docker-compose一键部署，当然这个需要了解一些这方面的知识，源码部署就需要自己手动安装需要的组件，kafka，mysql，MongoDB，etcd，redis。在日志里一直在报这个错误，可以看出来是kafka的问题，我没有用过kafka，所以不是很熟悉，第一时间肯定想到去百度，相关的博客有很多，跟着弄了，但是都不能解决，最后还是在官方的技术交流群里一位大佬的提示下，想到了单独启动kafka看看有什么报错信息。

Liuxw666666的博客 2563

一套功能齐全、二开友好的即时通讯IM工具，提供能力库和UI库，支持单聊、频道和机器人（附源码）

一套全平台、功能齐全、二次开发友好的即时通讯和实时音视频解决方案，旨在简化集成流程，降低技术门槛，赋予产品更高效的沟通能力。

m0_68103752的博客 2206

一款牛逼的开源IM系统部署指南 来自官方

TS_ADMINPWD： 唐僧叨叨后台管理系统的管理员密码,用户名为 superAdmin，可随机填写(至少8位)MINIO_ROOT_PASSWORD： minio 文件服务的密码，可随机填写(至少8位)MYSQL_ROOT_PASSWORD: mysql数据库的root用户密码，可随机填写。WK_JWT_SECRET：JWT的密钥，随机填写即可，为了安全建议修改。EXTERNAL_IP：服务器的对外IP地址。所有配置都支持转换成环境变量，然后配置在。首先,添加用户,添加后才可以聊天。

好好学电脑 2870

收藏-即时通讯(IM)开源项目OpenIM-功能手册

收藏-即时通讯(IM)开源项目OpenIM-功能手册

OpenIM的博客 7472
上一篇： 强烈推荐github 6.6k star前微信技术专家基于go开源IM项目OpenIM
下一篇： # 再次推荐github 6.7k star开源IM项目OpenIM性能测试及消息可靠性测试报告
点赞 1
评论 0
书签 书签 2
OpenIM
OpenIM
博客等级 码龄5年 295粉丝 68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