rabbitmq的安装与简单实例

安装 RabbitMQ 服务 ERTS 版本:Erlang Runtime System (ERTS) 是 Erlang 运行时的核心部分,它负责执行 Erlang 程序、垃圾回收、进程调度等。Erlang/OTP 版本:指的是整个 Erlang 系统的版本,包括 Erlang 语言本身、OTP (Open Telecom Platform) 的标准库、工具和一些运行时支持。在 Erlang 中,erts-15.x.x 是 Erlang/OTP 27 的一部分,这并不意味着出现了问题,而是版本控制的方式。 阅读详情

1. rabbitMQ–消息中间件

2.什么是MQ?

MQ全称 Message Queue(消息队列),是在消息的传输过程中保存消息的容器。多用于分布式系统之间进行通信。

3. MQ的优缺点

优点:

应用解耦:提高系统容错性和可维护性
异步提速:提升用户体验和系统吞吐量
削峰填谷:提高系统稳定性

缺点:

系统可用性降低
系统引入的外部依赖越多,系统稳定性越差。一旦 MQ 宕机,就会对业务造成影响。如何保证MQ的高可用?
系统复杂度提高
MQ 的加入大大增加了系统的复杂度,以前系统间是同步的远程调用,现在是通过 MQ 进行异步调用。如何保证消息没有被重复消费?怎么处理消息丢失情况?那么保证消息传递的顺序性?

一致性问题
A 系统处理完业务,通过 MQ 给B、C、D三个系统发消息数据,如果 B 系统、C 系统处理成功,D 系统处理失败。如何保证消息数据处理的一致性?

4. 常见的MQ有哪些?

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Hs9RBx9p-1619492409582)(assets\1618820346605.png)]

5. 安装rabbitMQ

1. 上传安装软件(1.erlang   2.rabbitmq)
2. 安装rabbitmq依赖的环境
    yum install -y gcc  socat  openssl  openssl-devel
    
3. 安装erlang 和 rabbitMQ
   rpm -ivh erlang-22.0.7-1.el7.x86_64.rpm
   rpm -ivh rabbitmq-server-3.7.17-1.el7.noarch.rpm
   
4. 开启管理界面及配置  ---理解为图形化界面
rabbitmq-plugins enable rabbitmq_management
开设一个用户用来访问rabbitMQ
 进入rabbitMQ的配置目录
 cd /usr/share/doc/rabbitmq-server-3.7.17
 cp rabbitmq.config.example /etc/rabbitmq/rabbitmq.config
 
vi /etc/rabbitmq/rabbitmq.config     //修改配置文件,在61行

在这里插入图片描述修改后的配置文件为:

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-THGZFXI5-1619492409586)(assets\1618821006097.png)]

5. 开启rabbitMQ服务器。
systemctl start rabbitmq-server

6. systemctl restart rabbitmq-server 重启

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

7. rabbitMQ的结构以及每个组件的作用

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-sGCxYo6b-1619492409590)(assets\1618825115921.png)]

Broker:接收和分发消息的应用,RabbitMQ Server就是 Message Broker

Virtual host:出于多租户和安全因素设计的,把 AMQP 的基本组件划分到一个虚拟的分组中,类似于网络中的 namespace 概念。当多个不同的用户使用同一个 RabbitMQ server 提供的服务时,可以划分出多个vhost,每个用户在自己的 vhost 创建 exchange/queue 等

Connection:publisher/consumer 和 broker 之间的 TCP 连接

Channel:如果每一次访问 RabbitMQ 都建立一个 Connection,在消息量大的时候建立 TCP Connection的开销将是巨大的,效率也较低。Channel 是在 connection 内部建立的逻辑连接,如果应用程序支持多线程,通常每个thread创建单独的 channel 进行通讯,AMQP method 包含了channel id 帮助客户端和message broker 识别 channel,所以 channel 之间是完全隔离的。Channel 作为轻量级的 Connection 极大减少了操作系统建立 TCP connection 的开销

Exchange:message 到达 broker 的第一站,根据分发规则,匹配查询表中的 routing key,分发消息到queue 中去。常用的类型有:direct (point-to-point), topic (publish-subscribe) and fanout (multicast)

Queue:消息最终被送到这里等待 consumer 取走

Binding:exchange 和 queue 之间的虚拟连接,binding 中可以包含 routing key。Binding 信息被保存到 exchange 中的查询表中,用于 message 的分发依据

8. rabbitMQ的模式

(1)简单模式

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WOHsfnEX-1619492409591)(assets\1618825302718.png)]

从图上可以看到只有三个角色:
   p 【product】: 生产者  发生消息的
   红色[queue]: 队列。  存储消息的
   C [consumer]: 消费者  消费消息

生产者的代码:

package com.tyt.hello;

import com.rabbitmq.client.Channel;
import com.rabbitmq.client.Connection;
import com.rabbitmq.client.ConnectionFactory;

public class Product {
    public static void main(String[] args) throws Exception{
        //创建连接工厂
        ConnectionFactory connectionFactory = new ConnectionFactory();
//        设置主机地址
        connectionFactory.setHost("192.168.31.145");
//        创建 连接对象Connection
        Connection connection = connectionFactory.newConnection();

//创建信道
        Channel channel = connection.createChannel();
//        创建队列
        /**
         * String queue, 队列的名称
         * boolean durable,是否该队列持久性,rabbitMQ服务重启后该存放是否存在
         * boolean exclusive,是否该队列独占
         * boolean autoDelete,是否自动删除,如果长时间没有发生消息则自动删除
         * Map<String, Object> arguments 额外参数
         */
        channel.queueDeclare("qy129_queue", true, false, false, null);
        /**发生消息
         * String exchange, 交换机的名称,如果没有则使用“” ,它会自动默认
         * String routingKey, 路由key 如果没有交换机的绑定,使用队列的名称
         * BasicProperties props, 消息的一些额外配置 目前不加
         * byte[] body  消息的内容
         *
         */
        String msg = "Hello,rabbitmq,fuck,李浩辰";
        channel.basicPublish("","qy129_queue",null,msg.getBytes());
        channel.close();
        connection.close();

    }
}

消费者代码:

package com.tyt.worker;

import com.rabbitmq.client.*;

import java.io.IOException;

public class ConsumerTest01 {
    public static void main(String[] args) throws Exception{
        //创建连接工厂
        ConnectionFactory connectionFactory = new ConnectionFactory();
//        设置主机地址
        connectionFactory.setHost("192.168.31.145");
//        创建 连接对象Connection
        Connection connection = connectionFactory.newConnection();
//创建信道
        Channel channel = connection.createChannel();
        //消费消息(接收消息)
        /**
         * String queue, 队列
         * boolean autoAck, 是否自动确认
         * Consumer callback 回调方法,当队列中存在信息后,会自动触发回调函数
         */
        DefaultConsumer callback = new DefaultConsumer(channel){
            @Override
            public void handleDelivery(String consumerTag, Envelope envelope, AMQP.BasicProperties properties, byte[] body) throws IOException {
                System.out.println("c1消息的内容:"+new String(body));
            }
        };
        channel.basicConsume("qy129_worker",true,callback);
    }
}

结果如图:
在这里插入图片描述

RabbitMQ系列—RabbitMQ 安装 RabbitMQ的安装过程非常简单:由于RabbitMQ是基于Erlang语言开发并运行的,所以安装RabbitMQ的第一步是安装Erlang运行环境。您可以在https://www.erlang-solutions.com/resources 下载最新Erlang版本进行安装(注意不同的RabbitMQ版本有不同的Erlang最低版本要求,笔者使用的RabbitMQ版本为V3.5.4,Erlang 阅读详情

相关推荐

RabbitMQ安装教程(最新RabbitMQ安装,通用教程)

目录一、前言二、Erlang下载安装三、RabbitMQ下载安装三、RabbitMQ? Web界面管理四、参考与结语RabbitMQ是一个开源的遵循 AMQP协议实现的基于 Erlang语言编写,**即需要先安装部署Erlang环境再安装RabbitMQ环境。**需加注意的是,读者若不想跟着我的版本号下载安装,可根据两者版本号的对应表(下面图示只展示了部分),安装相应版本的Erlang和RabbitMQ,只需在下文修改命令里面的版本号即可。这里,作者的版本号为:Linux系统:CentOS7.x (如果是C

m0_67393039的博客 2048

初识Rabbit消息队列

消息队列中间件是分布式系统中重要的组件,主要解决应用耦合、异步消息、流量削锋等问题。实现高性能、高可用、可伸缩和最终一致性架构。是大型分布式系统不可缺少的中间件。 接下来我们来开始学习Rabbit消息队列 安装Rabbit: 安装Rabbit不只是单纯的安装Rabbit 使用Rabbit 需要先安装Erlang环境, 安装时傻瓜式教学直接下一步下一步就可以了不需要额外的点什么 激活Rabbit服务 下载好了之后进入到该RabbiMQ-servert的sbin文件夹里面进行激活服务..

weixin_61229532的博客 1405

在WSL上安装rabbitmq

WSL 在Windows 10 上安装适用于 Linux 的 Windows 子系统 (WSL) 资源 rabbitmq依赖于erlang,所以要先安装erlang,最好不要用apt-get install安装,ubantu内自带的er-lang版本较低,再加上erlang和rabbitmq需要匹配,最好安装的都是最新的。 一、资源地址 RabbitMQ官网安装教程: https://www.rabbitmq.com/install-debian.html RabbitMQ .deb 安装包github

weixin_45590490的博客 1845

Rabbit基础

因此,当携带着名为"search-indexing-online"的路由键的消息被发送到默认交换机的时候,此消息会被默认交换机路由至名为"search-indexing-online"的队列中。当"x-match"设置为“any”时,消息头的任意一个值被匹配就可以满足条件,而当"x-match"设置为“all”的时候,就需要消息头的所有值都匹配成功。当这样做的时候,我们需要明白一点,在AMQP 0-9-1中,消息的负载均衡是发生在消费者(consumer)之间的,而不是队列(queue)之间。

weixin_53026694的博客 200

Rabbit Kernel

Rabbit Kernel是整个Rabbit Framework的核心,Kernel内不仅包含了扩展引擎、租户引擎、工作引擎,同时还抽象了Bus、Caching、FileSystems、Localization、Logging这些常用组件的抽象与部分实现。

等保2.0测评 — WebSphere 中间件

查看版本登录websphere管理平台首页就能看到版本信息可以进入\usr\IBM\WebSphere\AppServer\bin 下执行./versionInfo.sh查看版本正常情况下,访问web界面需要用户名+口令:webphere控制台可以通过修改配置文件做到无账号密码直接进入控制台操作。需要找到websphere安全验证配置文件。该文件在webphere安装目录里,我们的目录,里面的文件:在该文件的第二行里面的查找到修改为。

2401_84434570的博客 1436

硬卷消息中间件系列(三):RabbitMQ 基础配置

点击下方名片,设为星标!回复“1024”获取2TB学习资源!前面介绍了 RabbitMQ 基础入门、安装与简单使用等相关的知识点,今天我将详细的为大家介绍 RabbitMQ 基础配置相关知识,希望大家能够从中收获多多!如有帮助,请点在看、转发支持一波!!!RabbitMQ 配置概述从前面的操作来看,我们并没有用到配置相关的东西,比如修改配置文件?比如运行时指定某某参数?其实,大多数情况下我们默认启...

民工哥的博客 585

【学习总结】飞跨电容三电平boost拓扑发波分析与matlab仿真

正常工作时,飞跨电容的电压大约控制在输出电压的一半,降低了开关器件的耐受电压。

晞子的技术札记 1万+

超详细的RabbitMQ入门,看这篇就够了!

消息指的是两个应用间传递的数据。数据的类型有很多种形式,可能只包含文本字符串,也可能包含嵌入对象。“消息队列(Message Queue)”是在消息的传输过程中保存消息的容器。在消息队列中,通常有生产者和消费者两个角色。生产者只负责发送数据到消息队列,谁从消息队列中取出数据处理,他不管。消费者只负责从消息队列中取出数据处理,他不管这是谁发送的数据。 主要有三个作用:解耦。如图所示。假设有系统B、C、D都需要系统A的数据,于是系统A调用三个方法发送数据到B、C、D。这时,系统D不需要了,那就需要在系统A把相关

诗和远方,代码和你 856

OpenClaw 最强技能 self-improving-agent 详解:让 AI 从错误中自主学习

self-improving-agent 是 OpenClaw 生态中最受欢迎的技能插件,下载量突破 268k。它能让 AI 记住犯过的错误和解决方案,实现持续自我改进。本文深入讲解其工作原理、安装配置和实战案例。测试数据显示:部署流程时间从 15 分钟降到 2 分钟(87%↓),API 调试时间从 2 小时降到 20 分钟,数据库查询编写时间减少 90%。文章包含完整架构图、配置文件示例、3 个详细实战案例和性能测试数据,适合开发者、运维和数据分析师使用。

qq_38610923的博客 3636

httprunner V4.3.5 安装与使用--快速上手(超详细-超长篇)

HttpRunner是一款面向 HTTP(S) 协议的通用测试框架,只需编写维护一份 YAML/JSON 脚本,即可实现自动化测试、性能测试、线上监控、持续集成等多种测试需求。继承 Requests 的全部特性,轻松实现 HTTP(S) 的各种测试需求测试用例与代码分离,采用YAML/JSON的形式描述测试场景,保障测试用例具备可维护性测试用例支持分层机制,充分实现测试用例的复用测试用例支持参数化和数据驱动机制使用 skip 机制实现对测试用例的分组执行控制。

Dreams°的博客 3893

乐优商城(二十四)——RabbitMQ及数据同步

目录 一、RabbitMQ 1.1 搜索与商品服务的问题 1.2 消息队列(MQ) 1.2.1 什么是消息队列 1.2.2 AMQP和JMS 1.2.3 常见MQ产品 1.2.4 RabbitMQ 1.3 下载和安装 1.3.1 下载 1.3.2 安装 二、五种消息模型 2.1 基本消息模型 2.1.1 生产者发送消息 2.1.2 管理工具中查看消息 2.1.3 消费...

lyj2018gyq的博客 3739

从Low Byte解析DTC故障类型:系统开发中的诊断精细化实践

本文深入解析DTC故障诊断中Low Byte的关键作用,详细介绍了其在系统开发中的精细化应用实践。通过分析Low Byte的编码规则和故障分类设计,帮助开发者优化诊断数据库和解码方案,提升汽车电子系统的故障诊断效率和准确性。

weixin_28312391的博客 264

centos7安装rabbitmq_RabbitMQ安装及php简单实例

RabbitMQ是轻量级的,很容易部署在服务器和云中。它支持多种消息传递协议。RabbitMQ可以部署在分布式和联合配置中,以满足高规模、高可用性的需求。RabbitMQ运行在许多操作系统和云环境上,并为大多数流行语言提供了广泛的开发工具。 1. 安装:windows安装十分简单,印象中装的过程几乎无障碍,忽略。centos7安装过程如下:依赖安装 yum -y install make gcc...

weixin_39834328的博客 176

分享一个我自用的 Python 消息发送模块,支持邮件、钉钉、企业微信

🔥 分享一个我自用的 Python 消息发送模块,支持邮件、钉钉、企业微信

XiaoqiangClub的博客 480

【人工智能】《Deep Dive into LLMs like ChatGPT 》—— Andrej Karpathy 第三阶段:强化学习(Reinforcement Learning, RL)

摘要:强化学习(RL)阶段通过让模型自主生成并验证答案,突破SFT阶段的模仿局限,使其在数学、代码等领域形成独特的推理路径。RL流程包括批量生成解答、自动批改筛选正确路径,并采用PPO/GRPO算法优化模型。模型会自发涌现自我检查、回滚等策略,显著提升正确率(如AIME竞赛准确率从15%升至56%)。与SFT模型相比,RL模型具备主动链式思维、验算能力,响应时间更长但效果更优,形成真正的“思考模型”。三阶段对比显示,RL通过可验证题的对错奖励机制,赋予模型超越人类范式的推理能力。

奶爸的编程之路,也就一周冷个三天 150

【RabbitMQ】如何在 Ubuntu 安装 RabbitMQ

本期内容主要介绍如何在 Ubuntu 下安装 RabbitMQ~ 并简单介绍了 RabbitMQ 的管理界面。

爱编程爱运动的博客 7207

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")

php 安装rabbitmq拓展_RabbitMQ安装及php简单实例

RabbitMQ是轻量级的,很容易部署在服务器和云中。它支持多种消息传递协议。RabbitMQ可以部署在分布式和联合配置中,以满足高规模、高可用性的需求。RabbitMQ运行在许多操作系统和云环境上,并为大多数流行语言提供了广泛的开发工具。 1. 安装:windows安装十分简单,印象中装的过程几乎无障碍,忽略。centos7安装过程如下:依赖安装 yum -y install make gcc...

weixin_29467373的博客 109

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

Windows上安装RabbitMQ

简介 Ra...

SummerGao 1474

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

RabbitMQ 的安装

RabbitMQ 的安装 Windows环境 1. 安装Erlang ,RabbitMQ 依赖于Erlang,需要先安装Erlang. 官网下载地址:http://www.erlang.org/downloads 一路next 配置环境变量到path 中 检测 cmd erl 显示版本信息即配置成功 2. 安装 RabbitMQ 官网下载地址:http://www.rabbitmq.com/download.html 运行 rabbitmq-server-3.7.12.exe 一路n

MH19的博客 3828

springboot 集成 rabbitMQ 实例之rabbitMQ安装

rabbitMQ安装准备环境centos7 安装rabbitMQ rabbitMQ 的学习使用从rabbit的安装开始, 下面我们一起来完成rabbitMQ的安装。 准备环境 windows 环境安装vmware ; 使用vmware 安装centos7(如有疑问,可关注参考我的:vm安装Centos7教程) centos7 安装rabbitMQ yum update (可要可不要) 更新 安装 epel-release yum install epel-release 3. 安装gc等编译环境

一人码农 316

【RabbitMQ】Windows下RabbitMQ的安装和部署

RabbitMQ在windows下安装部署

Hanson的博客 4146

RabbitMQ 安装

rabbitmq安装

weixin_43844718的博客 2640

【ubuntu】【rabbitmq】ubuntu 安装 rabbitmq

ubuntu 环境下安装 RabbitMQ 服务器

wecode666 4346
上一篇: redis(redis集群)连接java,springboot
下一篇: rabbitmq的几种模式以及springboot整合rabbitmq
TYTvampire
博客等级 码龄7年 4粉丝 14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