Go-Zero基础入门1: 微服务框架与选型分析

go-zero微服务入门教程 《Go-zero 微服务开发完全指南》摘要 本文是一份全面的Go-zero微服务开发指南,覆盖1.6.4+版本,提供从入门到进阶的系统学习路径。 阅读详情

纲要

  • 从单体到微服务的关键挑战
    • 服务间通信
    • 服务发现与负载均衡
    • 链路追踪
    • 熔断与降级
  • 微服务框架的定位:系统化解决上述问题
  • 为何不直接使用 gRPC 构建微服务
  • 微服务框架与 Web 框架的对比
    • 功能边界
    • 用途与架构模式
  • Go 语言主流微服务框架概览
    • go-micro
    • trpc-go
    • dubbo-go
    • go-kit
    • go-kratos
    • go-zero
  • 为什么选择 go-zero
    • 社区活跃与持续更新
    • 工具集设计哲学
    • 内置完善的治理能力
  • 快速上手:go-zero@latest 项目结构一览
  • 总结

从单体到微服务的关键挑战

当项目从单体架构向微服务架构演进时,原本集中在单一进程中的业务会被拆分为多个独立的服务。这种拆分在带来灵活性与伸缩性的同时,也引入了一系列必须解决的技术问题。

服务间通信

拆分后,服务与服务之间必须保持高效、可靠的通信。在 Go 生态中,通常采用 gRPC 或基于 HTTP 的 RESTful API 来实现。通信的稳定性、序列化协议以及跨语言兼容性都是需要重点考虑的方面。

服务发现与负载均衡

服务实例可能因流量波动而动态扩缩容。客户端如何发现新加入的实例,并及时摘除已下线的节点,是必须实现的机制。同时,当存在多个实例时,还需要通过负载均衡策略(如轮询、加权等)选择最合适的节点处理请求。

链路追踪

在单体应用中,调用链路十分清晰,出现异常时可以直接通过栈追溯定位。而在微服务中,一次外部请求往往跨越多个服务,若某个环节出现延迟或错误,需要依赖分布式链路追踪系统来还原调用链条,快速定位瓶颈。

熔断与降级

当某个服务因为高负载或故障无法正常响应时,依赖该服务的上游若不加以保护,会出现“雪崩效应”。熔断器(如 Hystrix 思想)可以在检测到下游异常时主动切断请求,降级逻辑则负责提供有损但可用的回退结果,保证整体系统的韧性。

除此以外,微服务化还会面临配置管理、日志聚合、安全鉴权等一系列问题。微服务框架正是针对这些共性难题,提供了一整套开箱可用、可扩展的解决方案,避免团队重复造轮子。

为何不直接使用 gRPC 构建微服务

gRPC 是一个高性能、跨语言的 RPC 框架,它解决了服务间通信的核心问题:基于 Protobuf 的接口定义、多语言客户端生成、流式传输、请求超时与错误处理等。然而,gRPC 的定位是 RPC 通信层,它并没有直接提供以下能力:

  • 链路追踪:需要在拦截器中手动埋点,集成 OpenTelemetry 等体系,缺少内置的追踪采集与导出。
  • 服务发现与负载均衡:gRPC 提供了插件化的 resolver 和 balancer,但具体实现需自行对接 etcd、consul 等注册中心。
  • 熔断与降级:gRPC 原生只提供简单的重试、对冲策略,复杂的熔断逻辑需要额外开发。
  • 统一配置与治理:没有内置的配置中心、限流等功能模块。

因此,业界的微服务框架大多会基于 gRPC 进行再封装,将其作为底层通信通道,并在其之上构建出完整的服务治理、可观测性与开发脚手架。例如 go-zero 就深度集成了 gRPC,并扩展出服务发现、负载均衡、熔断、限流、链路追踪等能力,使其成为一个真正的微服务框架。

微服务框架与 Web 框架的对比

虽然微服务框架通常涵盖了 Web 框架的核心功能,但二者的关注点和架构模式截然不同。

维度微服务框架Web 框架
核心功能包含 Web 服务能力,并内置服务发现、负载均衡、链路追踪、熔断、限流、配置中心等治理组件。提供 HTTP 路由、请求/响应处理、中间件、模板渲染等 Web 应用开发所需的基础能力。
用途专注构建分布式、服务化系统,每个服务可独立开发、部署与伸缩。主要面向单体 Web 应用或 API 服务,帮助开发者快速搭建和管理 HTTP 服务。
架构模式服务之间通过网络协作,形成去中心化的分布式整体。典型客户端-服务器模式,业务逻辑集中在同一个进程中。
代表go-zero、go-kratos、spring cloud 等。gin、echo、beego 等。

下图可以更直观地展示一个微服务框架所覆盖的典型组件:

治理与基础设施

API Gateway

Service A

Service B

Service C

Service D

服务注册与发现

负载均衡

配置中心

链路追踪

熔断与限流

可以看到,微服务框架不仅要完成单个服务的业务承载,更要无缝衔接注册中心、负载均衡、可观测性等周边设施。Web 框架则更聚焦于单一服务内部的请求处理逻辑。

如果使用 gin 构建微服务,开发者需要自行集成 etcd 做服务发现、自行实现负载均衡、手动埋点做链路追踪,会带来大量重复与维护成本。

而使用 go-zero@latest,可以通过脚手架命令快速生成一个具备完整治理骨架的服务:

# 创建 API 服务 
goctl api new order 

生成的代码结构清晰地反映了微服务化的关注点:

order 
├── etc 
│   └── order-api.yaml          # 服务配置(服务发现、超时、限流等)
├── order.go                     # 主入口 
├── internal 
│   ├── config 
│   │   └── config.go           # 配置结构定义 
│   ├── handler 
│   │   └── orderhandler.go     # HTTP 处理器 
│   ├── logic 
│   │   └── orderlogic.go       # 业务逻辑 
│   ├── svc 
│   │   └── servicecontext.go   # 服务上下文(依赖资源注入)
│   └── types 
│       └── types.go            # 请求/响应类型定义 
└── go.mod 

配置文件 order-api.yaml 中可以直接声明服务注册中心、链路追踪以及各类中间件,大大减少了手动集成的负担。这种“代码即治理”的体验,是纯 Web 框架无法直接提供的。

Go 语言微服务框架生态一览

Go 社区拥有丰富的微服务框架,但它们在诞生时间、维护状况、设计理念以及社区支持上各有千秋。基于实际调研,下表汇总了几个主流框架的核心信息(Star 数据随实时变化,仅供参考):

框架首个发布年份GitHub Stars (约)维护方特点与现状
go-micro2015~20.7k社区(早期作者转向云原生)元老级框架,设计优秀,但 V3 后维护重心偏移,文档老旧,社区活跃度下降。
trpc-go2018~3.2k腾讯功能全面,腾讯内部大规模使用,生态持续维护,但依赖较重,学习曲线偏高。
dubbo-go2019~4k阿里对标 dubbo 生态,社区建设较为完整,同样存在重量级依赖,需要配合 Dubbo 生态。
go-kit2015~25.5k社区以工具集(toolkit)形式存在,不强约束项目结构,但文档和示例不够全面,上手门槛高。
go-kratos2019~21.5kB 站工具集设计,吸收了 go-kit 的灵活性,同时提供了更完善的工程化实践,社区活跃,文档齐全。
go-zero2020>25k社区(好未来孵化)后起之秀,Star 数最高,工具集理念,内置丰富的微服务治理能力,社区运营积极,微信群、公众号、直播/文章内容输出频繁,生态发展迅猛。

需要说明的是,框架没有绝对的优劣,只有与团队场景的匹配程度。上述对比更多是从热度、设计理念、社区持续性等维度做参考,以便技术选型时有一个全景把握。

为什么选择 go-zero

go-zero 虽然在 2020 年才开源,却迅速成为 Go 微服务框架中 Star 数量最高的项目之一,这与其清晰的定位和积极的社区推动密不可分。

持续活跃的社区

go-zero 的维护者持续进行技术布道,通过公众号文章、线上直播、微信群答疑等方式构建了高黏性的用户社区。这种活跃度意味着:

  • 遇到问题时更容易找到现成的解决方案。
  • 框架的迭代节奏快,新特性和修复的交付周期短。
  • 大量企业实践案例和最佳实践持续产出。

灵活的工具集设计

与某些重度约束项目结构的框架不同,go-zero 采用工具集(toolkit)的哲学。它通过 goctl 命令提供代码生成,但并不强制开发者必须按照固定模板编写业务。开发者可以根据需要选用其内置的服务发现、负载均衡、限流、熔断、链路追踪等组件,同时保有对项目结构的自定义能力。这种“可插拔”的特性非常适合从单体向微服务平滑过渡的团队。

开箱即用的治理能力

借助 go-zero,开发者可以在不引入外部第三方中间件的前提下,快速获得以下能力:

  • 基于 etcd、consul 等的服务注册与发现。
  • 客户端负载均衡,支持多种策略。
  • 基于滑动窗口的限流与熔断。
  • 基于 gRPC 拦截器的分布式链路追踪集成(如 jaeger、zipkin)。
  • 丰富的中间件生态,涵盖了日志、监控、鉴权等。

简洁高效的工程范式

go-zero 倡导的“API 文件定义 -> 代码生成 -> 业务逻辑填充”的开发范式,可以显著降低沟通成本和维护负担。其生成的项目结构(如前文所示)天然支持分层、依赖注入和测试,帮助企业级项目落地工程化最佳实践。

总结

微服务框架不是为了替代 Web 框架,而是为了应对分布式系统中“服务治理”这一复杂命题而诞生的。gRPC 解决了通信问题,但框架需要在此基础上补齐服务发现、负载均衡、链路追踪、熔断降级等能力。

在 Go 生态中,go-zero 凭借其高热度、活跃社区、灵活的工具集设计以及完善的内置治理功能,成为了目前极具竞争力的选择之一。无论你是从零开始构建微服务,还是希望将现有单体应用逐步演进,go-zero@latest 都能提供一个高效、可依赖的开发起点。

理解框架的本质差异、评估社区与维护趋势,是技术选型的核心。希望本文的分析能帮助你更清晰地把握微服务框架的边界,并为下一步深入 go-zero 实践打下基础。

Go语言微服务框架多维度比较:Kratos、Go-Zero、GoFrame与Sponge 本文对比分析了Kratos、Go-Zero、GoFrame和Sponge四大主流Go语言微服务框架。Kratos强在标准化微服务治理,适合大型企业;Go-Zero工程实践优秀,性能突出;GoFrame提供全栈解决方案;Sponge创新性整合AI代码生成。测试显示Go-Zero性能最优(QPS 83,000),Sponge开发效率最高。选型建议:金融级用Kratos,高并发电商选Go-Zero,快速原型开发用Sponge,全栈Web应用选GoFrame。未来AI辅助开发将成为框架演进方向,开发者需结合团队规模 阅读详情

相关推荐

Golang框架选型指南:从Gin到Go-zero的实战对比

本文为Go语言开发者提供了一份详尽的Web框架选型实战指南。深度对比了Gin、Beego、Echo和go-zero四大主流框架,从性能、生态、适用场景等维度剖析其核心优势与局限,并提供了清晰的决策矩阵,帮助开发者根据项目需求(如快速原型、高并发API或微服务架构)快速做出精准的技术选型。

weixin_28475533的博客 310

golang微服务框架特性分析及选型

golang微服务框架特性分析,以供选型参考

谬也的博客 7901

Go微服务框架选型指南:go-zero、Kratos等五大框架对比与实战

微服务架构已成为现代后端开发的主流范式,落地过程中框架选型往往决定项目的可持续性与交付效率。从分布式系统的通信、治理、可观测性到工程化能力,一个成熟的微服务框架需要覆盖完整技术栈。随着Go语言在云原生领域的普及,go-zero、Kratos等国产框架凭借出色的工程化体验脱颖而出,而Go Kit、rpcx等工具集方案则更考验团队的自主组装能力。本文梳理了主流Go微服务框架的设计哲学、功能边界与实际踩坑经验,帮助架构师和开发者在技术选型时建立科学的评估维度,避免陷入“追热点”陷阱。结合团队规模、业务形态和运维能

weixin_32667955的博客 277

【Go微服务框架深度对比】Kratos、Go-Zero、Go-Micro、GoFrame、Sponge五大框架

本文对比了2025年主流的Go微服务框架(Kratos、Go-Zero、Go-Micro、GoFrame、Sponge),从核心架构、性能、功能特性、云原生支持和适用场景等方面进行详细分析。Kratos适合标准化企业级微服务,Go-Zero在高并发场景表现优异,Go-Micro支持多语言互通,GoFrame提供一站式解决方案,而Sponge则通过AI辅助提升开发效率。测试数据显示各框架在性能、资源消耗等方面各有优势,开发者可根据具体需求选择最适合的框架。

独立思考,明辨是非 2320

Go语言微服务框架选型指南:从理论到实战的深度解析

本文深度解析Go语言微服务框架选型,从理论到实战全面对比go-zero、Kratos等主流框架的性能、适用场景及技术特点。通过实际案例展示如何根据团队规模、性能需求选择合适框架,并提供迁移方案、性能调优等实用技巧,帮助开发者高效构建Go微服务架构。

SAN_YUN的专栏 531

Go语言的主流框架和解决超高并发的三高微服务框架对比分析

Go语言主流Web框架和微服务框架概览 通用Web框架中,Gin以其高性能和丰富中间件成为默认选择,Fiber基于fasthttp提供极致性能,Echo强调简洁API设计,Chi则是轻量级路由器。对于微服务场景,go-zero提供完整治理能力,Kratos采用分层设计,KiteX具备字节跳动的亿级QPS经验,Go kit提供高度灵活性。选择框架需考虑项目规模,小型项目推荐Gin或Chi,中型项目适合go-zero或Kratos,大型系统可考虑KiteX或Go kit定制方案。

耕耘——从菜鸟到高手的蜕变 2464

Go微服务框架及基础平台选择

Go微服务框架及基础平台选择

Mr_XiMu的博客 5821

Go Web框架选型指南:从Gin到Go-Zero的深度对比

Web框架是现代后端开发的核心组件,它通过封装底层HTTP处理逻辑,提供路由、中间件等基础设施,显著提升开发效率。在Go语言生态中,不同框架通过独特的设计哲学实现性能与功能的平衡。以Gin为代表的轻量级框架采用radix tree路由算法,在高并发场景下展现出40%的性能优势;而像Beego这样的全栈框架则通过内置ORM和工具链,大幅提升企业级应用的开发速度。微服务架构下,Go-Zero等框架原生集成RPC和链路追踪,成为分布式系统的理想选择。本文基于TechEmpower基准测试和真实项目数据,详细解析G

weixin_30225755的博客 309

Golang微服务架构:从零实战高性能Go服务 (go-zero/pprof/K8s)

Go语言实战开发指南 本文分享了Go语言开发的实战经验,分为三个关键步骤: 基础夯实:强调动手实践的重要性,建议通过并发编程案例(如医疗问卷处理系统)来掌握goroutine和channel的核心概念。 服务设计:介绍从单体架构到微服务的转型经验,建议采用领域驱动设计进行服务拆分,并分析gRPC和RESTful API的不同应用场景。 微服务实战:推荐使用go-zero框架构建完整微服务,包括服务契约定义、API开发和服务治理等功能。 文章包含完整代码示例,如Gin框架实现的患者查询API,并强调实际项目中

张国良的博客 1176

Go-zero vs Gin:企业级微服务框架选型指南(性能对比+实战分析)

本文深入对比了Go-zero和Gin两大企业级微服务框架的性能差异和适用场景。通过详细的基准测试和实战分析,揭示了Go-zero在分布式治理、自动化工具链和生产就绪度方面的优势,以及Gin在高性能API和轻量级场景的灵活性。为企业技术选型提供决策依据,特别适合需要构建复杂微服务系统的开发团队。

weixin_29240343的博客 455

RACECAR底层平台安装:Jetson Nano+ROS Melodic全栈部署指南

移动机器人开发中,底层平台安装是将硬件转化为可编程移动平台的关键起点。其核心在于嵌入式系统、ROS中间件与传感器驱动的深度协同——需兼顾内核模块加载、GPIO/PWM精确控制、I2C设备初始化及ROS工作空间构建等多层技术耦合。尤其在竞速级小车如RACECAR场景下,Jetson Nano的硬件加速能力、MPU6050 IMU固件加载、TB6612FNG电机驱动配置等细节,直接决定运动控制精度与实时性。本文聚焦Ubuntu 18.04 + ROS Melodic + JetPack 4.4.1技术栈,覆盖从

weixin_32025789的博客 257

微服务框架GO ZERO 和 GO-MICRO 对比

本文对比了Go语言两大微服务框架Go-Zero和Go-Micro的核心差异。Go-Zero采用"工程化优先"设计理念,提供高度集成的一体化解决方案,通过代码生成工具显著提升开发效率,适合快速构建高并发商业应用。Go-Micro则强调标准化与灵活性,采用模块化插件架构,更适合需要高度定制化的复杂系统。性能测试显示Go-Zero在QPS、内存占用等方面优势明显,而Go-Micro在技术栈灵活性上更胜一筹。建议初创团队选择Go-Zero快速迭代,大厂团队选用Go-Micro实现灵活架构,也可根

分享AI、区块链技术及应用,未来已来 1021

别再只用CANape测数据了!手把手教你用ASAP2 Studio编辑A2L文件(附MAP文件更新避坑指南)

本文深入探讨ASAP2 Studio在ECU开发中的高阶应用,特别是如何利用其编辑A2L文件并同步更新MAP文件,提升测量标定效率。文章详细解析了ASAP2 Studio的双向同步能力、MAP文件更新全流程及变量管理技巧,帮助工程师避免常见错误,优化工作流程。

weixin_26833939的博客 508

go-zero微服务框架代码生成神器goctl原理分析(一)

推荐下go-zero 微服务框架,也是最近很火很有人气的框架,致力于打造国内最简单好用的框架。 火在哪?几分钟搞定个接口和微服务,还不用担心稳定性和高并发,这不香吗? 作者的理念很好,工具大于约定和文档的理念,编码自动化,让精力更多的放在业务和创新上,大幅度的提高效率和生产力,这会是个趋势。 golang圈子不大,微服务框架框架屈指可数:除了go-micro、go-kit,几乎没有其他选择。go-zero为此提供第三个可能。 说起go-zero提高生产力的地方,就不得不说goctl。 goctl是

猫哥 的沉淀、积累、总结。天天学习,好好向上...c/c++,嵌入式 linux,Android,HarmonyOS,AIOT) 9303

CPRI原理及应用--基本原理

本文主要介绍CPRI的基本原理,包括CPRI的发展历程、CPRI基本协议、速率、帧结构、时延模型等

u014035968的博客 2万+

nvidia-container-toolkit 国内镜像源安装

nvidia-container-toolkit 国内镜像源安装

湫然的博客 1万+

Go微服务框架性能深度测试:Kratos vs Go-Zero vs GoFrame vs Sponge谁更快?

本文对主流Go微服务框架Kratos、Go-Zero和GoFrame进行了全面性能测试,涵盖HTTP服务、gRPC调用及资源消耗等关键场景。测试结果显示,Go-Zero在高并发场景下表现最优,尤其在路由处理和内存管理方面优势明显,而Kratos在gRPC小包处理上更胜一筹。文章还提供了各框架的性能调优建议,帮助开发者根据实际需求选择最适合的微服务框架。

s4t5u6v的博客 1197

PX4实战指南:通过遥控器通道直连实现舵机PWM控制

本文详细介绍了如何通过PX4飞控实现遥控器通道直连控制舵机PWM输出的完整流程。从硬件准备、遥控器配对到PX4参数配置和硬件连接,提供了实战技巧和常见问题解决方案,帮助无人机爱好者快速掌握舵机控制技术。重点讲解了AUX Passthrough模式设置和PWM参数调整等关键步骤。

weixin_29195217的博客 154

go-zero 微服务框架在 AI 应用开发中的实战与最佳实践

本文系统介绍 go-zero 微服务框架的核心理念、架构设计与工程实践,结合 AI 应用开发场景,提供详细的开发流程、Python 代码示例、架构图、流程图、思维导图、甘特图、饼图等多种技术展示。适合中国开发者,特别是 AI 应用开发者,帮助你高效构建高可用、高性能的微服务系统。go-zero是一款集成了丰富工程实践的高性能微服务框架,支持 Web 和 RPC,内建弹性设计、限流、熔断、降载等微服务治理能力,广泛应用于在线教育、电商、AI 等高并发场景。高性能:支撑千万级日活服务极简 API。

加入“Super Entity”,与全能开发团队共探AI智能体与数字人项目,开启前沿技术之旅。 1216

【GameFramework框架工具链】5-1、DataTable数据表 类自动生成工具

这个是跟【GameFramework框架内置模块】3、数据表(Data Table)模块配合使用的工具链。在使用数据表的时候,我们需要先准备数据表,每个数据表对应一个C#,C#对应表里面的字段,然后使用里面的信息,比如Music数据表ID int类型 IDAssetName string类型 资源名然后,根据数据表生成C#实体类,这一块有一个StarForce的工具链,我们来看一下如何使用。

优快云博客专家,Unity3D高级软件工程师,《Unity 3D从入门到实战》作者。 1267

GB 47955—2026 L2组合驾驶辅助强制国标全解、合规方案与工程代码落地

GB 47955—2026 L2辅助驾驶国标合规工程代码# 运行环境:Python3.8+,适配车载仿真、台架测试、算法验证场景# 依赖安装:pip install numpy dataclasses tqdm struct time json# ===================== 国标强制时序参数(完全对标GB 47955—2026) =====================HAND_OFF_FIRST_WARN = 5.0 # 手部脱离5s触发一级预警。

lin_xiu的博客 315

解决Go微服务数据访问难题:go-zero生态下的ORM框架选型指南

你是否还在为Go微服务开发中的数据访问层选型而困扰?面对层出不穷的ORM框架和原生SQL的取舍,如何在性能、易用性和团队协作之间找到平衡?本文将带你深入剖析go-zero生态下的ORM解决方案,通过实战案例和架构解析,帮你构建高效、可靠的数据访问层。 读完本文你将获得: - 理解go-zero生态中数据访问的核心组件设计 - 掌握缓存与数据库一致性的最佳实践 - 学会根据业务场景选择合适的ORM...

gitblog_01090的博客 478

ZYNQ PS-PL数据交互方式总结

一,中断 二,IO方式:MIO EMIO GPIO 三,BRAM或FIFO或EMIF (1)通过BRAM实现PL/PS之间交互 PS 的配置如下图所示。使能 M_AXI_GP0 口,将 FCLK_CLK0 设为 100MHz,使能 PL 至 PS 的中断。 AXI BRAM Controller IP 核连接 PS 的 M_AXI_GP0 口和 BRAM,完成 AXI 接口至 BRAM 接口的转换。 添加BRAM,将BRAM设置为双口RAM,将PORTA与AXI B...

wangjie36的博客 1万+

go-zero微服务框架终极指南:10分钟构建高可用API服务

还在为微服务开发中的重复劳动而烦恼吗?go-zero框架的代码生成工具goctl能让你在10分钟内快速构建高性能API服务。本文将为你揭示go-zero如何通过极简的API定义和智能代码生成,将开发效率提升10倍,同时保障系统的高可用性和稳定性。 go-zero是一个云原生Go微服务框架,集成了丰富的工程实践,通过弹性设计确保高并发服务的稳定性。框架内置的goctl工具可以根据API定义文件一键

gitblog_00806的博客 829

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

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")

Go微服务框架选型实战:go-zero、Kratos、go-kit对比与避坑指南

微服务架构是一项系统工程,框架只是其中的一部分,它负责服务间通信、注册发现与治理能力。理解框架的边界和定位,是选型的第一步。在Go生态中,go-zero、Kratos、go-kit、go-micro各有侧重:go-zero以代码生成和内置治理见长,适合快速交付;Kratos基于protobuf契约,强调规范与多注册中心支持;go-kit作为工具库提供极高自由度,但需自行组装限流熔断、服务发现等组件;go-micro则因维护状态需谨慎评估。从服务注册到限流熔断,从etcd到K8s部署,框架间的硬指标差异直接影

weixin_34414196的博客 305

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

每天10分钟学Go:第5课 switch分支判断

本课程讲解 Go 语言 switch 分支判断核心用法,涵盖单值匹配、多 case 合并、无表达式条件分支、fallthrough 穿透与类型 switch 断言,搭配可运行代码示例,带你掌握 Go 分支结构语法与实战写法。

2501_94567985的博客 261

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

上一篇: Go-Zero框架上手前奏9: gRPC 客户端请求发送原理分析
下一篇: Go-Zero基础入门2:快速构建API与RPC服务
Wang's Blog
博客等级 码龄12年 7440粉丝 2427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

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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