mysql读写分离简单实现-win7

windows 下 Mysql主从配置,实现读写分离 1、MySQL 主从同步 MySQL主从又叫做Replication、Master/Slave复制。简单讲就是A和B两台机器做主从后,其中Master负责写操作的负载,也就是说一切写的操作都在Master上进行,而读的操作则分摊到Slave上进行,两者数据实时同步。 主上有一个log dump线程,用来和从的I/O线程传递binlog 从上有两个线程,其中I/O线程用来同步主的binlog并生... 阅读详情

仅为测试,选择在一台机器上装两个tomcat,没有使用常规的两台或多台服务器,读写分离在之前的demo项目中也会结合进去。

一、复制出第二个mysql数据库

1,将你的mysql文件夹直接拷贝到另一个目录。如我的拷贝到了D:\work\mysql\MySQL5

2,修改my.ini文件,修改以下参数:

两个位置需要重新设置端口:

port=3307

路径配置,如:

basedir="D:/work/mysql/MySQL5"

datadir="D:/work/mysql/MySQL5/data"

3,将mysql配置到环境变量

4,在MySQL5路径下shift+右击打开cmd,输入如下:

mysqld --install mysql_slave --defaults-file="D:\work\mysql\MySQL5\my.ini"

5,右击计算机,去“服务”里打开mysql_slave服务,如果报1067错误,查看属性的路径是否正确

6,属性的路径不正确则去注册表修改,home+r,输入regedit,打开注册表,根据路径:HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Services\...  修改路径,可以仿照原先的mysql路径写法

7,再次去“服务”里启动即可。

(注:win系统的如果是5.7以上的mysql版本,data文件夹默认在 C:\ProgramData\MySQL下,其中ProgramData是隐藏文件夹)

二、修改mysql配置

1,主库的my.ini末尾添加如下:

#主为1,如果需要增加Slave库则,此id往后顺延;  
server-id = 1
#要同步的数据库   
binlog-do-db=community_ms
#要生成的二进制日记文件名称 
log-bin=mysql-bin 

第二行配置可以省略,则所有库同步,这里笔者只指定了需要同步的库

2,从库my.ini末尾添加如下:

#主为1,如果需要增加Slave库则,此id往后顺延;  
server-id = 10
#要同步的数据库   
replicate-do-db=community_ms
#要生成的二进制日记文件名称 
log-bin=mysql-bin 

注:这里主要是标记从库的服务id,不能和主库一样,添加时请先查询全部内容,看配置文件是否默认有配置server-id,有则直接修改,没有则添加。

3,打开主库添加用户,并赋予对应权限:

create user 'forslave'@'127.0.0.1' identified by '123456';
GRANT REPLICATION SLAVE,super,reload,file ON *.* TO 'forslave'@'127.0.0.1';
或
grant replication slave,super,reload,file on *.* to forslave@127.0.0.1 identified by '123456';  

注:授权格式:grant 权限 on 数据库.* to 用户名@登录主机 identified by "密码";

4,在主库运行:

show master status;

记录File和Position的值。

5,把需要同步的数据库,从主库备份到从库。

6,打开从库,运行如下:

change master to master_host='127.0.0.1',
master_port=3306,
master_user='forslave',
master_password='123456',
master_log_file='mysql-bin.xxx',
master_log_pos=xxx;

注:file和pos即上面记录的值,若提示salve未停止,执行如下:

stop  slave;

7,执行完上诉的change后启动slave:

start slave;

8,查看是否配置成功:

show slave status;

若如下两个参数都为YES则表示两个库从属关系配置完成:


注:若后一个为NO,一般情况是slave没有启动。若前一个为NO一般是my.ini配置出错,或者执行以上命令时,没有按笔者指定的库。如change在主库执行,就会报id重复。若修改了my.ini请重启服务,使其生效。

配置成功后可以对主库执行insert操作,查看插入后否从库也一样新增了数据。

9,其他常用命令如下:

查看服务id:show variables like 'server_id'; 

临时设置服务id:set global server_id=2;

查看mysql库用户:SELECT User, Host, Password FROM mysql.user;

三、读写分离方式

方式一,在项目内,规定sql的写法,例如get,find,select,list开头的方法查询指定的读库,其他的方法走写库。

这种方式实现最简单,但重构性不好,如果修改库得再修改项目代码。

方式二,使用中间件,笔者选择的是mycat,简单介绍请移步笔者的mycat文章,其作用是替用户根据某个路由规则来使用不同的库(不同主机上)。

1,下载mycat:http://dl.mycat.io/1.6.5/

2,解压到非中文路径下

3,配置mycat\conf下的schema.xml,如下:

<?xml version="1.0"?>
<!DOCTYPE mycat:schema SYSTEM "schema.dtd">
<mycat:schema xmlns:mycat="http://io.mycat/">

	<schema name="TESTDB" checkSQLschema="false" sqlMaxLimit="100" dataNode="dn1">
		<table name="t_article" dataNode="dn1" rule="rule1" />
		<table name="t_comment" dataNode="dn1" rule="rule1" />
		<table name="t_favorite_pages" dataNode="dn1" rule="rule1" />
		<table name="t_remind" dataNode="dn1" rule="rule1" />
		<table name="t_type" dataNode="dn1" rule="rule1" />
		<table name="t_users" dataNode="dn1" rule="rule1" />
	</schema>
	<dataNode name="dn1" dataHost="root1" database="community_ms" />

	<!--
		balance:负载均衡类型,目前的取值有 3 种..
			1. balance="0", 不开启读写分离机制,所有读操作都发送到当前可用的 writeHost 上。
			2. balance="1",当双主双从模式(M1->S1,M2->S2,并且M1与M2互为主备),正常情况下,M2,S1,S2都参与select语句的负载均衡。
			3. balance="2",所有读操作都随机的在 writeHost、readhost 上分发。
			4. balance="3",所有读请求随机的分发到wiriterHost对应的readhost执行,writerHost不负担读压力,注意balance=3只在1.4及其以后版本有.
		writeType:值为"0", 所有写操作发送到配置的第一个writeHost,第一个挂了切到还生存的第二个writeHost,重新启动后已切换后的为准,切换记录在配置文件中:dnindex.properties
		switchType:
			1 默认值,自动切换;
			2 基于 MySQL 主从同步的状态决定是否切换,心跳语句为 show slave status
			3 基于 MySQL galary cluster 的切换机制(适合集群),心跳语句为 show status like ‘wsrep%’.
		dbType:指定后端连接的数据库类型,目前支持二进制的mysq协议,还有其他使用JDBC连接的数据库。例如:mongodb、oracle、spark 等。
		dbDriver:指定连接后端数据库使用的Driver,目前可选的值有native和JDBC。使用native的话,这个值执行的是二进制的mysql协议。其他类型的数据库则需要使用JDBC驱动来支持。
	-->
	<dataHost name="root1" maxCon="1000" minCon="10" balance="1"
			  writeType="0" dbType="mysql" dbDriver="native" switchType="2"  slaveThreshold="100">
		<heartbeat>select user()</heartbeat>
		<writeHost host="hostM1" url="127.0.0.1:3306" user="root" password="123">
			 <readHost host="hostS1" url="127.0.0.1:3308" user="root" password="123" />
			 <readHost host="hostS2" url="127.0.0.1:3307" user="root" password="123456" />
		</writeHost>
	</dataHost>


</mycat:schema>

注:这里笔者没有要分表分库的意思,所有就只有一个分片,分表分库操作后续再单独记录。

4,启动mycat,双击mycat\bin下的startup_nowrap.bat

注:

mycat运行jdk最低要求是1.7;如果报jvm内存错误则修改startup_nowrap.bat,如下:

-Xms512M -Xmx1G

默认是1G和2G,做适当修改即可。

在使用jdk1.8时报错,则删除-XX:MaxPermSize=64M,因为在1.8时候这个属性已经被遗弃。

5,修改项目内连接,笔者配置如下:

<!-- 配置数据源 -->
	<bean id="dataSource"
		class="com.alibaba.druid.pool.DruidDataSource">
		<!--<property name="url" value="jdbc:mysql://localhost:3307/db_community?useUnicode=true&characterEncoding=UTF-8"/>-->
		<property name="url" value="jdbc:mysql://localhost:8066/TESTDB?useUnicode=true&characterEncoding=UTF-8"/>
		<property name="username" value="root"/>
		<property name="password" value="123456"/>
	</bean>

注:mycat默认端口是8066

6,启动项目,打开mycat的debug日志模式,对项目做操作,例如笔者的社区项目,查看主题详情,查看路由是否正确。

注:如果运行报错如下:

com.mysql.jdbc.exceptions.MySQLSyntaxErrorException: partition table, insert must provide ColumnList
意思是insert into没有指定列,即不能使用一下语法:
INSERT INTO 表名称 VALUES (值1, 值2,....)

需要使用:

INSERT INTO table_name (列1, 列2,...) VALUES (值1, 值2,....)




【入门篇】第五章 第一次与 AI Agent 交互 本文介绍了OpenClaw中最基本的用户与AI Agent交互方式,剖析了Agent和Gateway两个核心组件的作用,通过简单示例展示了从用户请求到结果返回的完整执行流程,说明了最小交互过程对验证系统可用性的重要意义,为后续学习复杂任务执行机制奠定基础。 阅读详情

相关推荐

Matlab蒙特卡洛模拟二维伊辛模型相变过程

一、什么是伊辛模型 伊辛(Ising)模型是描述磁系统相变最简单的模型,但模型里自旋之间的相互作用赋予了它奇妙的特性,最有趣的就是对称性破缺。这一模型可以被推广用于研究连续的量子相变、基本粒子超弦理论、动力学临界行为等,甚至被认为可以描述深林火灾、交通拥堵、舆论传播等社会经济现象。 如图,每个格点的方向只有向上或向下两者状态,但临近的自旋之间有相互作用,而且点阵可以是一维、二维、三维、甚至更高维...

http://www.icfgblog.com/ 2万+

MySQL读写分离技术

转自:https://www.cnblogs.com/phpstudy2015-6/p/6687480.html#_label0阅读目录1、简介2、基本环境3、配置主从复制4、MySQL读写分离配置  4.1、安装lua  4.2、安装mysql-proxy5、MySQL读写分离测试  1)、修改rw-splitting.lua文件  2)、修改完成后,启动mysql-proxy  3)、创建用于...

liwenxia626的专栏 1012

软件测试工程师最常用的Linux系统命令大全(汇总)

cd命令这是一个非常基本,也是大家经常需要使用的命令,它用于切换当前目录,它的参数是要切换到的目录的路径,可以是绝对路径,也可以是相对路径。

1330

MySQL 读写分离

自定义注解,作用于方法上,通过AOP切面拦截,根据注解的value所对应的数据库源类别,实现数据源切换。关于数据源切换还有很多种方式在mapper层做拦截,对insert、update、delete 和 select 完全分离,可以通过MyCat、shardingsphere 等数据库中间件实现自动分离。也可以通过规范方法名前缀,对get、find、query 开头等方法进行拦截,也可以实现读写分离。

as34233的博客 1400

9 海康视觉平台VisionMaster 上手系列:典型案例之螺丝机案例

海康视觉平台VisionMaster 上手系列:典型案例之螺丝机案例 快速入门 工业机器视觉 机器视觉

HuangGong2022的博客 7176

Win11显卡驱动安装失败的全面解决方案

Windows 11显卡驱动安装失败是一个比较常见的问题,但通过上述方法,我们可以有效地解决这一问题。方法一通过调整组策略编辑器的驱动程序安装策略,可能解决一些因签名问题导致的安装失败;而方法二则通过重装Windows 11系统,为系统提供一个全新的、干净的环境,从而可能解决更复杂的安装问题。在实际操作中,用户可以根据具体情况选择合适的方法来解决显卡驱动安装失败的问题。

nntxthml的博客 2662

使用MySQL5.7在单台服务器上创建多个实例并实现主从复制

面对生产环境的严峻挑战,尤其是高并发场景下的数据读、写操作,单一MySQL服务器常成为制约系统响应速度的瓶颈。在MySQL的主从复制架构中,从属服务器(slave)接收来自主服务器(master)的日志文件,并应用这些日志中的更改,以保持数据同步。这通常是推荐的做法,因为它有助于隔离MySQL服务器的操作并限制其对系统其他部分的影响。

qq_42133326的博客 1697

信号完整性仿真SI之Cadence Sigrity SPEED2000_眼图仿真(四)

今天给大家分享一个仿真的操作流程,是关于Cadence Sigrity SPEED2000的时域波形仿真和眼图仿真。我们会经常看见硬件工程师调试示波器上的一些信号的波形变化,其实这些也可以通过仿真电路的搭建来做出投板前的仿真,来优化走线,以减少版本的迭代次数。如果要和实际的信号保持一致,就要求仿真设置的参数和实际的参数保持一致,这也是仿真的重点和难点。下面先让我们了解一下Cadence Sigrity SPEED2000时域仿真的操作流程: 1.仿真模式选择与文件导入 选择Cadence Sigrity下的

刘小同学的博客 1万+

mysql性能优化-读写分离

读写分离是指将数据库的读操作(SELECT)和写操作(INSERTUPDATEDELETE等)分配到不同的数据库实例上。通常,主库(Master)负责处理所有写操作,而从库(Slave)负责处理读操作。通过这种方式,数据库的写压力集中在主库上,而读压力则分散到多个从库,从而实现读写负载的分摊,提高系统的并发能力。MySQL 读写分离是一种常见的性能优化技术,通过将读操作和写操作分开处理,可以有效提升系统的并发能力和处理性能。实现读写分离通常依赖于中间件或在代码层面手动实现。

Flying_Fish_roe的博客 1176

AUTOSAR从入门到精通-【自动驾驶】特斯拉全自动驾驶(FSD)

特斯拉全自动驾驶系统(Full-Self Driving,简称FSD)是特斯拉公司开发的高级驾驶辅助系统,旨在通过神经网络技术实现环境感知与车辆控制,在驾驶员监督下完成导航、转向、变道、泊车等操作。‌ 该系统自2021年发布Beta测试版以来持续迭代,最新版本为2025年10月推出的v14版本。‌FSD v14版本基于端到端神经网络架构,取代了传统代码逻辑,通过数百万视频片段训练模型,以模仿人类驾驶决策。‌ 其功能覆盖住宅区街道、城市道路及高速公路,支持交通信号识别、自动变道和环岛通行等场景。

getusushu的博客 571

YOLO26 正式发布源代码!极致速度优化方案, 面向工业级落地的目标检测模型!

YOLO26 作为 Ultralytics 公司于 2025 年 9 月发布的最新一代目标检测模型,在架构设计和技术实现上展现了显著的创新。本文深入分析了 YOLO26 的核心架构改进和技术原理,重点探讨了其在边界框回归、推理流程、损失函数设计和优化算法方面的突破性进展。

魔改工程师的博客 1243

Mysql读写分离

MySQL数据库默认是支持主从复制的,底层基于MySQL数据库自带的二进制日志功能实现。也成为binlog,这是MySQL自带的一种日志功能,它会记录下所有的增删改语句,但是不包括查询语句。MySQL的主从复制其实就是由主库生成binlog,里面记录用户对数据库产生影响的操作。从库负责读取这个日志,并进行解析得到对应的SQL语句,然后在自己所在的服务器上执行,就可以得到跟主库一致的数据了。master将数据变更写入二进制日志slave将master的二进制日志拷贝到它的中继日志(relay log)

weixin_64949779的博客 191

YOLO训练/写作脚本目录一览 | 涉及标签格式转换、数据扩充、热力图、感受野、精度曲线、数量统计等近百个脚本文件

在大家购买专栏后,便可获得全部的脚本文件。在获取到文件后,只需按照将程序放在个人项目中即可一键运行。

Limiiiing的博客 2376

win7下mysql读写分离_Windows环境下Mysql 5.7读写分离简单记录

一、目的本文记录了在Windows环境中,mysql数据库读写分离配置过程。二、准备:Master机器:Windows 10 虚拟机,IP:192.168.3.32Slave机器:Windows 10,IP:192.168.3.27mysql数据库:5.7.23三、前期准备:在Master及Slave机器上分别安装好mysql数据库软件,并分别安装好所需读写分离的数据库实例。四、配置:1.配置Ma...

weixin_32121331的博客 189

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")

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

win7 mysql读写分离_Windows环境下Mysql 5.7读写分离简单记录

一、目的本文记录了在Windows环境中,mysql数据库读写分离配置过程。二、准备:Master机器:Windows 10 虚拟机,IP:192.168.3.32Slave机器:Windows 10,IP:192.168.3.27mysql数据库:5.7.23三、前期准备:在Master及Slave机器上分别安装好mysql数据库软件,并分别安装好所需读写分离的数据库实例。四、配置:1.配置Ma...

weixin_36341727的博客 121

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

window mysql proxy 读写分离_mysql-proxy win7 下实现读写分离

mysql主从复制已经实现了,接下来,使用mysql-proxy进行读写分离。1、环境:局域网内有三台电脑,使用xampp开发,所以:master :ip: 10.0.50.195 ; mysql: 5.3.7 ;slave :ip: 10.0.50.162 ; mysql: 5.3.7mysql-proxy :ip: 10.0.50.206; mysql: 5.3.72、读写分离首先,分别登录...

weixin_30044149的博客 230

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。

win7环境docker搭建mysql读写分离

1、win7安装docker 安装包及mysql配置文件下载 安装好点击图标进行舒适化,他会自动去下载最新的boot2docker.iso,太慢。可以在点击运行之前,切断互联网。 成功 2、启动链接虚拟机 用ssh工具链接 账号:docker 密码:tcuser 3、用docker创建2个mysql实例 192.168.99.100:33061/主机 192.168.99.100:33062/从机 docker run --name mysql1 -...

zjy660358的专栏 344

windows mysql读写分离_Windows环境下Mysql 5.7读写分离简单记录

一、目的本文记录了在Windows环境中,mysql数据库读写分离配置过程。二、准备:Master机器:Windows 10 虚拟机,IP:192.168.3.32Slave机器:Windows 10,IP:192.168.3.27mysql数据库:5.7.23三、前期准备:在Master及Slave机器上分别安装好mysql数据库软件,并分别安装好所需读写分离的数据库实例。四、配置:1.配置Ma...

weixin_39853590的博客 146

Windows环境下搭建MySQL主从同步实现读写分离(保姆级教程,超详细!!!)

本文重点介绍了Windows环境下搭建MySQL主从同步实现读写分离的详细步骤和配置中遇到的坑

weixin_46425661的博客 3603

MySQL安装 | CentOS 7安装MySQL8.0.29步骤(含视频教程)

文章目录1. 按2. 安装步骤3. 常见问题3.1. Win 10如何安装MySQL8.0.293.2. 如何进行主从复制实现读写分离 1. 按 建议不熟悉的先看视频教程:MySQL安装(linux版本)并且参考Win10安装MySQL8.0.29.0步骤在Windows上熟练使用了之后再在CentOS 7上上手。 访问MySQL下载页:https://dev.mysql.com/downloads/mysql/ 操作系统选择:Red Hat Enterprise Linux / Oracle Li

COCO56的博客 3102

mysql-proxy win7 下实现读写分离

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_33815613的博客 113

Win / linux + mycat + mysql 数据库读写分离

win/linux + mycat +mysql数据库读写分离 一、window + mycat 数据库读写分离 一、linux + mycat 数据库读写分离

weixin_44167504的博客 1573

mysql-使用mycat实现简单的读写分离

4.3.1Mycat下载 http://www.mycat.io/是Mycat的官方网站,到这个网站可以进行Mycat的下载,在官网还可以下载《Mycat权威指南》pdf的电子档,下载Mycat的源码。目前最新稳定的Mycat版本是Mycat1.6, Mycat有window,linux,unix,mac平台对应的版本,我这里也使用下载的是window下的1.6版本来实现读写分离。 4

wj903829182的专栏 8571

搭建单机多实例mysql集群实现主从和读写分离

因为自己使用,只购买了一个阿里云服务器,强化性能肯定是在单服务器上搭建多mysql实例并实现主从和读写分离。 遂开始查找教程 这个博主的方法非常详细,一步一步安装,保证成功 https://my.oschina.net/u/2426590/blog/1831211 记录启动与关闭: 启动三个实例: /etc/rc.d/init.d/mysqld_multi start 1-3 启动三个MySQL实例,注意这里的数字和my.cnf中的[mysqldN]对应,1-3就是启动[mysqld1]、[mysqld2

Jay的博客 462

win7 mysql读写分离_mysql 主从复制 读写分离配置

口水:第一次写博客,欢迎大家来拍砖。最近项目中用mysql主从复制主要是为了实现读写分离、数据库备份、故障转移的需要,采用的是一主一从,配置比较简单。自已在本机做测试测试环境如下:OS:win7mysql: 安装两个版本的mysql ,一个是5.5.x(高版本做主) 一个是5.1.x.(从)配置文件 win下my.ini linux下:my.conf1. 配置主库#配置主从数据库server-i...

weixin_32697149的博客 75

win mycat及mysql主从库、读写分离的初使用

1、mysql主从复制。 服务器信息如下: 服务器主机名 ip 说明 mycat-node 192.168.1.73 mycat服务器,连接时使用该服务器 mycat-jessie 192.168.1.73 物理数据库1,作为主库master mycat-jyp 192.168.1.52 物理数据库2,作为从库slave 备注:实验时,务必关闭关闭机器的iptables防火墙和selinux。 a) 安装ysql,请自行安装。 安装过程此处略... b) mysql主从复制。

qq_37392351的博客 276
上一篇: java8部分特性记录
下一篇: mycat使用(一)
gcc_front
博客等级 码龄9年 16粉丝 98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