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
951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
以前工作中基于dubbo的SOA架构用得比较多，现在微服务概念的兴起，尤其是Spring Boot+Spring Cloud的兴起使我产生了研究一下微服务架构的兴趣（与SOA）对比，总体上感觉微服务其实就是SOA的一个特别版，它更强调REST风格（HTTP+JSON），更强调业务的细分和接口单一职责，并不是一个全新的东西。Spring cloud中的Config，监控，熔断器，这些dubbo默认并不提供但是部分可以通过扩展支持，还有另外一部分在实际工作中基础架构的同事会设计相应功能的模块，比如数据访问，消息服务。随手画了一个思维导图：
未完，有时间接着写。。。
从单体架构到微服务架构&最佳实践: Monolithic to Microservices Architecture
概述微服务是一种将软件应用程序开发为独立设置的小模块的方法，其中每个服务运行独特的进程。它通过定义明确的机制进行通信以达到目的。2011 年 5 月，威尼斯附近的软件工程师使用“微服务”这个术语来表达他们中许多人正在探索的通用编程风格。James Lewis 在 2012 年 3 月的案例研究中提出了一些想法，并将其命名为“微服务”。微服务是许多行业想要采用的一种。Net.........
探索微服务架构的宝库：microservices-patterns 项目推荐
探索微服务架构的宝库：microservices-patterns 项目推荐 项目介绍 microservices-patterns 是一个开源项目，旨在为开发者提供一个全面的微服务架构实践指南。该项目不仅包含了 Chris Richardson 所著的《Microservices Patterns》一书的源代码，还整合了 Eventuate Tram 框架的个人学习笔记，为 Spring Boo...
labview设置工业摄像头外部触发
使用labview对海康MV-CA013-GM相机设置外部触发。 一、硬件部分 1、硬件引脚定义 2、触发模式设置 相机的触发模式分为两种，一种是内触发模式、另外一种是外触发模式。 3、接线图 信号线的地要跟给信号的设备共地。信号线给高电平时触发拍照。 二、软件部分 1、创建vision acquisition 2、选择使用的摄像头。 3、选择模式。 4、在Acquisition Control中设置这些选项。 5、设置保存图片路径 设置保存路径和保存图片的格式。点击完成即可 参考：https:/
Microservices-with-Go：构建高可用微服务架构
Microservices-with-Go：构建高可用微服务架构 项目介绍 Microservices-with-Go 是一本由 Packt Publishing 出版的书籍的代码仓库，旨在帮助开发者利用 Go 语言构建可扩展和可靠的微服务架构。本书深入浅出地介绍了微服务开发中的最佳实践和解决方案，通过实践案例让读者更好地理解和掌握微服务的关键技术。 项目技术分析 本书涵盖了微服务开发中的多个关键...
FLoRA: 基于异构低秩适应的联邦微调大语言模型
大语言模型（LLMs）的快速发展推动了人工智能的进步，预训练的LLMs可以通过微调适应各种下游任务。联邦学习（FL）通过利用客户端的本地数据进行原位计算，进一步增强了隐私保护的微调，消除了数据移动的需求。然而，考虑到LLMs的巨大参数量，微调LLMs对于资源受限且异构的FL客户端来说是一个挑战。之前的方法采用了低秩适应（LoRA）进行高效的联邦微调，但在LoRA适配器上使用了传统的FL聚合策略。这些方法导致了数学上不准确的聚合噪声，降低了微调效果，并且未能解决异构LoRA的问题。
Kindle电子书DRM破解全攻略：从下载到转换的完整流程（含最新DeDRM插件配置）
本文详细介绍了如何合法移除个人购买的Kindle电子书的DRM保护，实现跨设备阅读与备份。核心内容包括使用最新DeDRM插件（如noDRM分支）配合Calibre进行配置，并针对亚马逊最新的KFX加密格式提供了密钥提取与实战操作指南。文章强调该方法仅适用于个人合理使用，旨在帮助读者真正掌控自己的数字资产。
ecommerce-microservices：构建电商平台的后端微服务架构
ecommerce-microservices：构建电商平台的后端微服务架构 在当今数字化时代，电商平台已成为企业发展的关键。而一个高效、可扩展的后端系统是电商平台成功运营的基石。今天，我们要介绍的便是 ecommerce-microservices，一个基于Java和Kotlin的微服务架构后端系统。 项目介绍 ecommerce-microservices 是一个为电商平台设计的后端服务系统。...
国产系统迁移实战：在银河麒麟V10上搞定Wine32位支持，让老Windows软件跑起来
本文详细介绍了在银河麒麟V10操作系统上构建Wine32位支持的全过程，帮助用户解决Windows应用迁移难题。从系统架构差异分析到Wine环境配置，再到实战应用部署与优化，提供了一套完整的解决方案，确保老Windows软件在国产系统上稳定运行。
数据架构的演进：从Monolithic到Microservices
1.背景介绍 数据架构是一种用于有效管理和处理数据的系统结构和设计。随着数据量的增加，数据架构也发生了变化。在过去，数据架构主要基于单体架构，但随着技术的发展和需求的变化，数据架构逐渐演进到微服务架构。在这篇文章中，我们将讨论数据架构的演进，以及从Monolithic到Microservices的过程。 1.1 Monolithic架构的背景 Monolithic架构是一种基于单体应用程序的...
Visual Studio 6.0 镜像下载全指南：从企业版到中文版
本文提供Visual Studio 6.0企业版和中文版的镜像下载全指南，包括详细版本解析、已验证的下载链接及校验信息。针对现代系统的安装技巧和兼容性处理方案，帮助开发者高效获取并运行这一经典开发工具，特别适合维护遗留系统的专业人员。
基于STM32单片机智能循迹小车毕业设计
本文介绍了一种利用STM32F103C8T6单片机为控制核心，结合多种传感器以及PID算法实现循迹避障功能的智能小车。随着我国高科技水平的不断提高和工业自动化进程的不断推进，智能小车被广泛应用于各种玩具和其他产品的设计中，极大地丰富了人们的生活。本次设计利用反射式红外光电传感器探测路面黑线实现小车循迹，利用超声波测距传感器探测路径上的障碍，控制小车自动避障，整个系统具有自动循迹、自动避障、速度检测和无线遥控功能。其中，控制部分采用STM32F103C8T6单片机，STM32F103C8T6单片机是一
微服务 MicroServices 学习笔记
微服务(MicroServices)架构是当前互联网业界的一个技术热点，圈里有不少同行朋友当前有计划在各自公司开展微服务化体系建设，他们都有相同的疑问：一个微服务架构有哪些技术关注点(technical concerns)？需要哪些基础框架或组件来支持微服务架构？这些框架或组件该如何选型？笔者之前在两家大型互联网公司参与和主导过大型服务化体系和框架建设，同时在这块也投入了很多时间去学习和研究，有一些经验和学习心得，可以和大家一起分享。
063.CI/CD for ML：给YOLO项目装上自动化流水线
本文分享了为YOLO目标检测项目搭建CI/CD流水线的实践经验。作者通过手动调试模型导出问题的经历，意识到重复验证工作比模型改进更耗时，提出需要自动化解决方案。文章详细介绍了四阶段流水线设计：1)代码质量检查；2)快速训练验证；3)推理性能基准测试；4)模型注册部署。同时总结了环境不一致、GPU资源争抢等常见问题及解决方案，建议从简单规则开始逐步完善，强调模型版本管理的重要性。实施后不仅提高了效率，还促使团队形成更规范的开发习惯。
monorepo-microservices：构建微服务架构的核心功能
monorepo-microservices：构建微服务架构的核心功能 项目介绍 在当今微服务架构日益流行的趋势下，如何高效地构建和维护多个服务成为开发者的关注焦点。monorepo-microservices 项目是一个使用 Go 语言实现的示例，展示了如何利用单一代码仓库构建多个微服务。该项目不专注于代码本身，而是侧重于使用 Kubernetes 作为容器编排平台进行服务的部署。项目还尝试引入...
【IPC】ONVIF Device Manager 测试工具
介绍onvif 协议测试工具
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
C++ 中的微服务架构 Microservices Architecture
C++ 中的微服务架构 Microservices Architecture
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。
【总结】AWS 云计算环境中的Microservices(微服务)架构
微服务不是石头缝里面蹦出来的，是基于类似SOA、Blackboard、C/S等应用架构基础上，并融合敏捷开发、DevOps等理念的基础上发展而来 微服务相比传统应用优点明显（快速部署、去中心、良好的隔离性等），缺点也不少（更复杂、通信损耗、测试成本高） 微服务不仅仅是一种新型的应用设计方法，需要企业的组织架构作出适当调整，AWS提供了ECS、Lambda等服务来应对微服务的趋势
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');```[](https://bitdeli.com/free "Bitdeli Badge")
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
spring-boot-microservices-course：构建微服务架构的实战指南
spring-boot-microservices-course：构建微服务架构的实战指南 在当今快速发展的软件行业中，微服务架构已成为企业级应用的首选方案。今天，我们将为您介绍一个开源项目——spring-boot-microservices-course，该项目旨在帮助开发者深入理解和实践Spring Boot微服务开发。 项目介绍 spring-boot-microservices-cour...
PHP微服务新星：Jin-microservices全面解析与应用推荐
PHP微服务新星：Jin-microservices全面解析与应用推荐 随着微服务架构在软件开发界的兴起，PHP开发者也迎来了新的挑战与机遇。Jin-microservices正是在此背景下诞生，它是一个基于PHP语言和高性能的Hyperf微服务框架的实战级示例项目，旨在填补PHP微服务领域高质量示例的空白。今天，让我们深入探索这个项目，看看它是如何将PHP带入微服务的新纪元。 项目介绍 Jin-...
GoogleCloudPlatform/microservices-demo：企业级微服务架构参考
在现代软件开发中，微服务架构已成为构建复杂、可扩展应用程序的主流选择。然而，从单体架构向微服务架构迁移并非易事，开发团队常常面临以下挑战： - 服务间通信机制的选择与实现 - 分布式数据一致性的保证 - 服务发现与负载均衡的配置 - 监控与可观测性的建立 - 持续部署与运维的复杂性 GoogleCloudPlatform/microservices-demo项目正是为了解决这些痛点而生，它提供...
GoogleCloudPlatform/microservices-demo：Google官方微服务架构实战指南
你是否曾面临这样的困境？当业务快速发展时，单体应用变得臃肿不堪，部署困难、扩展性差、技术栈升级风险高。微服务架构看似美好，但实际落地却面临服务拆分、通信协议、部署运维、监控追踪等一系列复杂问题。 Google Cloud Platform的microservices-demo项目正是为了解决这些痛点而生。这个开源项目不仅展示了现代化的微服务架构实现，更提供了从开发到部署的完整解决方案，让你能够快...
探索现代云原生的 Blog-Microservices：一个全面集成的微服务示例
探索现代云原生的 Blog-Microservices：一个全面集成的微服务示例 在这个数字化时代，构建可扩展、可靠且高效的 Web 应用程序是至关重要的。Blog-Microservices 是这样一个项目，它展示了如何利用最新的技术栈来实现一个基于微服务架构的博客平台。这个开源项目不仅提供了详尽的代码示例，还配备了自动化的部署脚本和全面的监控体系，为您一站式地演示了在 Kubernetes 上...
如何用 claude-skills Microservices Architect 设计微服务架构：从拆分到落地的完整指南
**claude-skills** 是面向全栈开发者的 Claude Code 技能库，其中内置的 **Microservices Architect（微服务架构师）** 技能，能帮你把庞大的单体应用拆分成边界清晰、通信合理、具备弹性的微服务架构。它内置了领域驱动设计（DDD）、Saga 模式、熔断器、事件溯源、CQRS 等分布式系统最佳实践，相当于给 AI 装上了一位资深架构师的大脑。 [
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
