Docker容器网络切换实战:从自定义网络回退到默认桥接的完整流程

Docker更改容器的网络设置 在更改网络设置之前,先查看容器的 ID 或者名称。确保在更改网络设置之前,容器是停止状态。这将把容器从指定的网络中断开连接。这将把容器连接到默认的桥接网络。 阅读详情

Docker容器网络切换实战:从自定义网络回退到默认桥接的完整流程

你是否遇到过这样的场景:为了追求更精细的网络隔离或服务发现,为Docker容器配置了自定义网络,但后来发现容器间通信变得异常复杂,或者某些遗留应用在自定义网络下无法正常工作?又或者,在测试环境中进行了一轮网络架构实验后,需要将一切“重置”回最熟悉、最简单的起点?从自定义网络回退到默认的桥接网络,这个看似简单的操作,背后却隐藏着不少细节和陷阱。它不仅仅是执行几条命令,更关乎容器服务的连续性、配置的完整性以及未来维护的便利性。今天,我们就来深入探讨这个“回退”过程,为你提供一个安全、完整且可复现的操作蓝图。

1. 理解网络切换的底层逻辑与风险

在动手敲下任何命令之前,我们必须先搞清楚Docker网络的核心机制,以及切换操作可能带来的连锁反应。Docker的默认桥接网络(bridge)是一个简单、自动化的虚拟网络,所有未指定网络的容器默认都会加入其中。而自定义网络(无论是用户定义的桥接网络还是覆盖网络)则提供了更丰富的功能,如自动DNS解析、更好的隔离性等。

当你决定将一个运行在自定义网络中的容器“搬回”默认桥接网络时,本质上是在修改容器的网络命名空间配置。这个过程并非无损的,主要风险集中在以下几个方面:

  • 服务中断:为了更改网络,容器通常需要停止运行。对于无状态服务,这可能只是短暂的中断;但对于有状态服务,不当的停止操作可能导致数据不一致。
  • IP地址变更:容器在自定义网络和默认桥接网络中会获得不同的IP地址。所有依赖于容器IP地址的内部通信(例如,应用配置文件中硬编码的IP)都会失效。
  • DNS与服务发现失效:自定义网络的一大优势是内置的DNS服务,允许容器通过容器名相互访问。一旦切回默认桥接网络,这个功能将消失,容器间只能通过IP地址或外部DNS进行通信。
  • 端口映射重置:如果容器原先在自定义网络中通过--network-alias或Compose文件中的ports映射了端口,切换到默认桥接网络后,你需要重新审视并可能调整端口绑定策略,因为默认桥接网络下的端口暴露规则有所不同。

注意:在开始操作前,务必与你的团队沟通,并选择合适的时间窗口(如业务低峰期)进行。对于生产环境,强烈建议先在预发布或测试环境中完整演练整个流程。

2. 切换前的全面检查与准备工作

盲目操作是运维的大忌。切换网络前,我们需要像外科医生术前检查一样,对当前容器的状态进行一次全面的“体检”。

首先,获取目标容器的详细信息。我们不仅需要它的ID或名称,还要了解它的网络配置、运行状态以及数据存储方式。

# 查看所有运行中的容器,找到你的目标容器
docker ps

# 假设我们的目标容器名为 `my-app`
# 查看该容器的详细配置,特别是网络部分
docker inspect my-app | grep -A 20 "Networks"

这条docker inspect命令会返回一个JSON块,清晰地展示容器连接了哪些网络,以及在该网络中的IP地址、网关、Mac地址等信息。记下这些信息,尤其是当前所在的自定义网络名称。

接下来,评估容器的数据持久化情况。这是防止数据丢失的关键一步。

# 查看容器的挂载卷信息
docker inspect my-app --format='{{json .Mounts}}' | python -m json.tool

检查输出中是否有Volumes或Bind mounts。如果容器将数据存储在容器内部(即没有使用卷挂载),那么在停止并移除容器后,这些数据将会丢失。对于有状态服务,确保所有重要数据都已通过Docker卷(Volume)或绑定挂载(Bind Mount)持久化到宿主机。

最后,记录下容器当前的启动命令或Docker Compose配置。因为在我们后续的步骤中,可能需要基于此来重新创建或启动容器。

# 查看容器的原始运行命令(近似)
docker inspect my-app --format='{{json .Config.Cmd}}'

完成检查后,我们可以整理出一份简单的检查清单:

  • [ ] 确认容器ID/名称:my-app
  • [ ] 确认当前连接的自定义网络名称:my-custom-net
  • [ ] 确认容器内关键数据已通过卷持久化(列出卷名:app-data)
  • [ ] 记录容器的关键环境变量或端口映射(如:-p 8080:80)
  • [ ] 通知相关方关于服务可能的中断

3. 分步执行网络切换操作

准备工作就绪后,我们进入核心操作阶段。这里提供两种策略:一种是保守的“先停后切”,适用于可以接受短暂停机的大多数场景;另一种是更灵活的“动态连接”,适用于某些希望减少停机时间的特定情况。

3.1 方法一:标准流程——停止、断开、连接、重启

这是最直接、最不容易出错的方法,遵循“先停止,再修改”的原则。

步骤1:优雅停止容器 使用docker stop命令,它会向容器内的主进程发送SIGTERM信号,允许应用完成收尾工作(如关闭数据库连接、写入日志等),等待一段时间后再强制停止(SIGKILL)。

docker stop my-app

步骤2:将容器从自定义网络断开 容器停止后,将其从原有的自定义网络中移除。

docker network disconnect my-custom-net my-app

执行后,你可以再次使用docker inspect my-app验证,my-custom-net应该已经从容器的网络列表中消失。

步骤3:将容器连接到默认桥接网络 现在,将容器接入我们熟悉的bridge网络。

docker network connect bridge my-app

步骤4:重新启动容器 启动容器,它将在新的网络环境中运行。

docker start my-app

步骤5:验证网络切换结果 容器启动后,进行最终验证。

# 查看容器是否已连接到bridge网络并获取新IP
docker inspect my-app -f '{{range .NetworkSettings.Networks}}{{.IPAddress}}{{end}}'

# 进入容器内部,测试网络连通性(如ping宿主机网关或外部地址)
docker exec my-app ping -c 4 8.8.8.8

3.2 方法二:动态连接(多网络场景)

Docker允许一个容器同时连接到多个网络。如果你希望容器在保留原有自定义网络连接的同时,也能接入默认桥接网络(例如,为了同时满足内部服务发现和对外访问的需求),可以采用动态连接的方式,而无需停止容器。

# 容器my-app正在运行,且已连接在my-custom-net上
# 直接为其添加bridge网络连接
docker network connect bridge my-app

# 验证容器现在连接了哪些网络
docker inspect my-app --format='{{range $net, $conf := .NetworkSettings.Networks}}{{$net}} {{end}}'

此时,容器将拥有两个IP地址:一个在my-custom-net中,一个在bridge中。应用可以通过不同的网络接口访问不同网络中的资源。当你确认新网络工作正常后,可以再决定是否断开旧网络。

# 断开旧的自定义网络连接
docker network disconnect my-custom-net my-app

两种方法对比如下:

特性标准流程(先停后切)动态连接(多网络)
停机时间需要停止容器,有明确中断无需停止容器,服务持续可用
操作复杂度简单、线性,易于理解和回滚稍复杂,需管理多网络接口
适用场景可以接受重启;需要干净的网络切换要求零停机;过渡期间需同时访问新旧网络
风险重启可能带来的应用启动失败风险网络配置复杂,可能产生路由冲突

4. 切换后的配置调整与验证

网络切换成功,容器重新跑起来了,但工作只完成了一半。我们必须确保应用程序在新的网络环境下能够正常工作。

首要问题是服务发现。在默认桥接网络中,容器间不能通过容器名直接通信。假设你的my-app需要访问另一个名为redis的数据库容器,而redis也切换到了默认桥接网络,那么my-app中配置的redis:6379连接字符串将失效。你有以下几种解决方案:

  1. 使用IP地址:获取redis容器在bridge网络中的IP,并修改my-app的连接配置。但这不具备弹性,容器重启后IP可能变化。
  2. 使用用户自定义的桥接网络:这其实是一个折中方案。创建一个新的用户自定义桥接网络(docker network create my-bridge),将需要互通的容器都加入进去。这样既保留了通过容器名通信的能力,又比复杂的覆盖网络简单。这或许是你真正需要的“回退”目标。
  3. 使用外部DNS或服务发现工具:例如,将容器主机名与IP的映射记录到内部的DNS服务器,或者使用Consul、etcd等。

其次是端口暴露。在自定义网络中,你可能依赖了Docker的Ingress路由网格。切回默认桥接网络后,你需要显式地使用-p参数来发布容器端口到宿主机。

# 如果之前没有映射端口,现在需要重新运行容器或修改其配置
# 假设要将容器内的80端口映射到宿主机的8080端口
docker run -d --name my-app --network bridge -p 8080:80 my-app-image

最后是全面的功能验证。建议创建一个验证清单:

  • 基础连通性:容器内能否ping通宿主机网关、外部互联网(如8.8.8.8)?
  • 应用间通信:按照上述调整后,my-app能否成功连接到其依赖的服务(数据库、缓存等)?
  • 外部访问:通过宿主机IP和映射的端口,能否从外部浏览器或客户端访问到容器内的服务?
  • 应用日志:检查容器日志,查看应用启动过程中是否有与网络相关的报错(如连接超时、未知主机等)。
# 查看容器最近日志
docker logs --tail 50 my-app

网络切换就像给一个运行中的系统做“器官移植”,操作本身可能很快,但术后的“排异反应”(配置不适配)才是需要花费大量精力去应对的。每次切换后,留出充足的时间进行测试和观察,确保所有功能回归正常,是保证服务稳定的不二法门。

Nacos 2.x 服务注册 IP 问题:Docker 容器内网 IP 的 2 种解决方案与实战对比 本文深入探讨了Nacos 2.x在Docker容器中服务注册IP问题的两种解决方案:主机网络模式和显式指定IP。通过对比分析两种方法的优缺点、实现原理及适用场景,帮助开发者在微服务架构中有效解决容器内网IP注册问题,提升服务发现与调用的可靠性。 阅读详情

相关推荐

RK3576嵌入式平台Docker部署与NPU容器化实践

Docker是一种基于Linux内核命名空间和cgroups的轻量级容器运行时技术,其核心原理依赖于网络命名空间隔离、overlay2存储驱动及systemd cgroup管理。在ARM64嵌入式平台如RK3576上部署Docker,需重点解决iptables后端兼容性、硬件设备直通(如NPU)和镜像加速等工程问题。该技术显著提升边缘AI推理、工业网关等场景的部署一致性与资源利用率,支持ONNX Runtime等AI框架容器化运行。本文围绕泰山派3M-RK3576开发板,详解Debian 12系统下Dock

weixin_36047538的博客 98

Docker容器化渗透测试环境:Reconnoitre部署与实战指南

容器化技术通过将应用程序及其依赖打包成标准化的运行单元,解决了软件部署中的环境一致性问题。其核心原理是利用操作系统级虚拟化,在共享内核的基础上提供隔离的执行环境,实现了跨平台的部署一致性。这一技术为开发运维带来了革命性价值,尤其在需要快速搭建、销毁和复现的复杂环境场景中。在网络安全领域,渗透测试工具链通常依赖复杂、配置繁琐,传统部署方式面临版本冲突和复现困难等挑战。通过Docker容器化,可以将Reconnoitre等主动侦察工具与其完整的运行时环境封装,实现一键部署和跨平台使用。这种方案不仅提升了红蓝队协

weixin_34408624的博客 418

避坑指南:在绿联Docker中部署Transmission,这三个配置错误九成人都会犯

本文深入解析在绿联Docker中部署Transmission时最常见的三大配置错误,包括存储映射导致文件消失、IPv6桥接模式性能下降80%以及中文UI配置失败。通过详细的技术分析和实战解决方案,帮助用户避开这些致命陷阱,确保Transmission在NAS上高效稳定运行。

642

Docker容器网络更改

1.添加自定义网络(默认是桥接模式) docker network create 网络名称 2.解除容器绑定的网络 docker network disconnect 网络名称 容器名称 3.为容器重新指定网络 docker network connect 网络名称 容器名称 4.重启容器 docker restart 容器名称 5.查看效果 docker inspect 容器名称 容器网络已由bridge改为zookeeper 自定义网络本身就维护好了主机.

小鲁蛋的博客 1万+

Ubuntu 18.04 安装 Docker Compose v2 的兼容方案

Docker Compose 是容器编排的核心工具,其演进经历了从 Python 实现(docker-compose)到 Go 实现(docker compose)的重大架构升级。该转变带来语法增强、性能提升与 CNCF 标准化等技术价值,广泛应用于 Jenkins、Jellyfin、Portainer 等现代云原生应用部署。然而在已结束标准支持的 Ubuntu 18.04 上,APT 仓库仅提供过时的 v1.17.1 版本,无法解析 profiles、deploy 等 v2+ YAML 特性,且存在已知安

weixin_34318272的博客 356

Windows上轻量级Docker替代方案:基于WSL 2的wslc部署与实战指南

容器化技术通过操作系统级别的虚拟化,实现了应用与依赖环境的打包隔离,其核心原理基于Linux内核的命名空间和控制组机制。这项技术为软件部署带来了环境一致性、资源隔离和快速部署等核心价值,广泛应用于微服务架构、持续集成和开发环境标准化等场景。在Windows平台上,Docker Desktop作为主流方案,常面临资源占用高和启动慢等挑战。本文聚焦wslc这一轻量级替代方案,它巧妙利用Windows Subsystem for Linux 2的原生能力,将Docker CLI命令桥接到WSL 2中的容器运行时,

weixin_34176694的博客 346

Docker网络配置:修改默认网段

在使用Docker的过程中,有时我们可能需要修改默认的网络设置,比如网段。Docker的网络默认设置是使用桥接网络,并且使用的是随机生成的子网。如果我们想修改这个默认的子网,需要编辑Docker的配置文件。具体操作如下:1. 停止Docker服务2. 在终端中运行以下命令:sudo service docker stop3. 编辑Docker的配置文件使用文本编辑器打开Docker的配置文件。在大...

fastboot 5112

NVIDIA Jetson AGX Xavier设置风扇转速、工作模式及性能监控

Xavier的风扇在开机之后是默认关闭的,每次重启都需要手动打开风扇,后续可能考虑修改bashrc文件进行自动开启 这个是显示当前风扇的转速,默认应该是0,表示关闭,最大是250 cat /sys/devices/pwm-fan/target_pwm 可以通过修改该文件的值来修改风扇转速 vim /sys/devices/pwm-fan/target_pwm 我一般使用的是100这个值 作者:ryan_ren 链接:https://www.jianshu.com/p/d3c2041f7f7d 来源:简书 著

weixin_43877080的博客 1万+

创建、修改Docker容器网络地址

docker network create 网络名称方式2:指定IP和网关方式3:创建网络并绑定物理网卡网络模式 macvlan bridgedocker network create -d macvlan --subnet = 172.16 .86.0/24 --gateway = 172.16 .86.1 -o parent = eth0 网络名称。

佛系写BUG的博客 6871

远程桌面(RDP)共享USB设备全攻略:不止Hyper-V,你的加密狗和CH340串口也能远程用

本文详细介绍了远程桌面(RDP)共享USB设备的完整解决方案,包括加密狗和CH340串口设备的远程使用技巧。通过RemoteFX USB重定向技术,用户可以在远程会话中无缝使用本地USB设备,提升工作效率。文章涵盖企业级配置、典型设备实战案例及高级故障排除方法,是远程工作者的实用指南。

weixin_42522964的博客 334

Vue3实战:从零构建ElementPlus后台管理系统全流程

本文详细介绍了从零开始使用Vue3和ElementPlus构建后台管理系统的全流程。内容涵盖环境准备、项目初始化、Vite配置、SCSS样式体系搭建、ElementPlus组件库引入与配置,以及封装可复用的SvgIcon组件进行图标管理,旨在帮助开发者快速搭建现代化、可维护的中后台应用。

weixin_29011239的博客 162

Selenium版本回退实战:从4.15.2降级到4.5.0的完整指南与避坑技巧

在自动化测试和Web爬虫开发中,版本管理是保障项目稳定性的关键环节。Selenium作为核心工具,其版本迭代常伴随新特性与潜在兼容性问题。当新版Selenium因驱动匹配、API变更或依赖冲突导致脚本失效时,版本回退成为恢复项目运行的直接方案。理解Selenium与浏览器驱动的协同原理,以及Python虚拟环境在依赖隔离中的技术价值,是实施安全降级的基础。本文聚焦于从Selenium 4.15.2回退至4.5.0的完整流程,涵盖环境评估、驱动匹配、依赖冲突解决等核心步骤,并针对相对定位器适配、依赖解析失败等

weixin_34220179的博客 468

实验六 存储器实验

只读存储器(ROM)是一种在正常工作时其存储的数据固定不变,其中的数据只能读出,不能写入,即使断电也能够保留数据,要想在只读存储器中存入或改变数据,必须具备特定的条件。当地址为00000101时,会分别在数据位宽为8,16,32的只读寄存器中找到地址为00000101所对应的十进制地址位置,也就是地址为5的数据,并将其分别以8位,16位,32位输出。因此,输出保持为0。因此,当异步清零信号为1时,无论其他输入信号是什么,触发器的输出都会被强制清零,输出为0。1)寄存器输入0011,使能端1,异步清零0。

wenmou1111的博客 3008

Debian 9 安装 Docker 实战:适配内核4.9与overlay2的完整指南

Docker 是基于 Linux 内核特性的容器运行时,其稳定运行高度依赖 cgroup、namespace、overlayfs 等底层机制。在较老发行版如 Debian 9(内核 4.9)上部署 Docker,常因 cgroup v2 冲突、aufs 驱动弃用、overlay2 内核兼容性不足及 systemd 资源管控缺失导致容器启动失败、镜像拉取缓慢或 Jenkins 等关键服务 OOM 崩溃。本文聚焦 Debian 9 这一典型老旧生产环境,详解如何通过强制启用 overlay2 存储驱动、禁用 c

weixin_34080571的博客 532

rk3568 rk628桥片hdmi转lvds

RK628 是瑞芯微全新推出的视频桥接芯片,支持丰富的显示接口,支持高分辨率大屏产品转换需求。基于DRM、FB的显示框架易于使用。 输入信号支持:HDMI、RGB、BT.1120,输出信号支持 HDMI、GVI、Dual LVDS、Dual MIPI、MIPI-CSI、RGB、BT.1120,最高支持4K 60fps 输入/输出转换,并且支持输入到输出 1/4~4倍的缩放。

weixin_35723192的博客 1132

DCM07-诊断服务EcuReset ($11 )的配置和实现

文章目录1 诊断服务EcuReset ($11 )1.1 概述1.2 诊断模式声明组1.3 代码实现1.4 配置参数 传送门 ==>> AutoSAR实战系列300讲「糖果Autosar」总目录 1 诊断服务EcuReset ($11 ) 1.1 概述 该服务实现了 ECU 内的复位功能,协议的具体理论讲解请参考「FlashBootloader03【电控单元复位服务($11)】」。在接收到UDS 服务 0x11 的请求时,DCM 模块应触发 ModeDeclarationGroupPrototy

2069

docker的学习

docker支持的centos内核版本是3.10及以上查询命令uname - r1.关闭防火墙2.关闭selinux按键盘上的I 进入插入状态才可以修改命令 按ESC退出插入状态之后,输入:wq 保存并退出重启命令 reboot3.安装源依赖登陆官网docker.com 拉到最下面4.指明docke安装源地址,使用国内镜像,或者下载速度太慢查看 ll /etc/yum.repos.d在该目录下新建了一个repo文件5.开始安装6.安装后配置6.1开机自启动6.2增加用户。

qq_39886329的博客 1265

用 PERFORM ... ON COMMIT / ON ROLLBACK 把收尾工作做干净:从 SAP LUW 到 Update Task 的事务钩子实践

ABAP事务钩子机制解析 本文深入探讨SAP ABAP开发中的事务边界管理问题,重点分析PERFORM ... ON COMMIT/ROLLBACK机制: 事务分层:区分Database LUW(数据库提交)和SAP LUW(业务逻辑单元),后者通过COMMIT WORK触发多种收尾动作 钩子机制:PERFORM...ON COMMIT将子程序注册为事务结束回调,在提交/回滚时执行清理工作而非业务更新 执行顺序:钩子程序先于Update Task执行,仍保留当前会话内存上下文 现代实践:建议将FORM仅作为

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 4000

Windows Server 2012 R2 部署 Docker Toolbox 实战:从环境准备到避坑指南

本文详细介绍了在Windows Server 2012 R2系统上部署Docker Toolbox的完整流程和避坑指南。从环境准备、系统兼容性检查到安装配置,提供了针对CPU虚拟化支持、内存存储要求等关键环节的实战建议,并分享了网络配置、镜像加速等优化技巧,帮助用户高效完成Docker环境搭建。

weixin_29218963的博客 236

Lammps纳米压痕接触面积—Matlab接触面积计算(两种方法)

Lammps纳米压痕接触面积计算

Rockyoung 5449

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

ARM嵌入式平台容器化实战:LXC与libvirt在NXP Layerscape上的部署与优化

容器技术作为操作系统级虚拟化的核心实现,通过Linux内核的命名空间和控制组机制,为进程组提供了轻量级的隔离视图与资源限制环境。其原理在于共享宿主机内核,避免了传统虚拟机的Hypervisor开销,从而实现了毫秒级启动与极低的内存占用。这一技术价值在于为资源受限的嵌入式场景提供了高效的应用隔离与部署方案,广泛应用于边缘计算、网络功能部署等对性能和密度有严苛要求的领域。本文聚焦于在NXP Layerscape这类高性能ARM平台上,如何利用LXC这一轻量级容器引擎,并结合libvirt统一管理工具,构建稳定可

a631278993的博客 383

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")

Podman Compose根less容器编排实战:零修改迁移与安全加固

容器编排是现代应用开发与交付的核心能力,其本质是通过声明式配置管理多容器生命周期。传统Docker Compose依赖root权限守护进程,带来socket暴露、提权风险与审计盲区;而Podman Compose基于Linux用户命名空间实现daemonless、rootless运行模型,使容器进程UID/GID与宿主用户完全对齐,天然满足等保三级、金融信创等场景的最小权限原则。该方案在保持docker-compose.yml语法兼容前提下,重构了权限边界与攻击面——无需改应用代码,即可实现无守护进程、无全

weixin_34252090的博客 499

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

Docker存储驱动配置全栈图谱:从graphdriver初始化流程、inode泄漏根因到实时监控PromQL告警规则(限内部团队泄露版)

深度解析Docker存储驱动配置,定位graphdriver初始化异常与inode泄漏根因,覆盖Overlay2/AUFS选型、调优参数及PromQL实时监控告警规则。适用于高并发容器平台运维场景,提升稳定性与可观测性,值得收藏。

simcode的专栏 189
上一篇: Carsim油门刹车标定表制作避坑指南:从数据采集到Simulink实战
下一篇: SwiftUI Charts 入门指南:5分钟搞定BarMark和PointMark的基础用法
cloud
博客等级 码龄27年 61粉丝 1276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  | 博主筛选后可见
 
 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