推荐一个微服务网关,支持 Dubbo、Spring Cloud、Spring Boot !

Spring Cloud Alibaba微服务重构实战:从单体到微服务的渐进式演进 微服务架构是一种将单一应用程序拆分为一组小型、独立服务的软件架构风格,其核心原理是通过服务解耦实现独立部署、扩展和技术异构。这种架构的技术价值在于提升系统弹性、故障隔离能力和团队交付效率,尤其适用于应对高并发、快速迭代的业务场景。在工程实践中,面对单体应用的技术债务和性能瓶颈,采用渐进式重构策略是关键。通过领域驱动设计(DDD)划分服务边界,结合Spring Cloud Alibaba生态(如Nacos、Sentinel),可以在项目中期平滑完成架构升级。本文以Spring Boot单体应用重构为例,详细演 阅读详情

点击上方“芋道源码”,选择“设为星标”

做积极的人,而不是积极废人!

源码精品专栏

 

Soul网关由来?

Soul网关是我在任职某大型电商公司中间件技术部的时候所开发的。开源以后,针对不同的用户需求,进行了功能的升级,比如 支持了springcloud websocket restful风格 get请求,插件可以定制化开发等等,感谢开源。

当时我们面对什么问题呢?

  • 首先公司有很多语言,java,net,php,Python等等,相互之间的交互只能通过http,调用很不统一,尤其是java为主以后,php等语言要调用dubbo服务,dubbo服务者必须提供http服务出来,增加了java后端人员的工作量。

  • 接口鉴权,限流,代理等等很多基本的需求,如果由每个业务系统开发人员开发,增加了成本,风险不可控。

  • 所有的配置没有统一化的管理页面,不利于管理。

  • 接口的性能没有监控,不利于横向扩展。

  • 业务系统进行灰度发布,需要运维进行nginx负载,增加了运维的工作量。

  • 等等很多很多的因素,我们需要一个可配置的,可视化,高性能的API网关,做为公司的公用服务。

当时我们怎么解决的呢?

首先我们调研了市场上的一些API网关 zuul kong sc-gateway

  • zuul 是一个中间件产品,完全可以由业务系统自己去引入,性能没达到我们的预期,没有动态化的配置,不利于管理,和我们中间件技术部好像没啥关系。

  • kong kong确实是好,好到它的某些功能是收费的,而且它是lua语言开发,维护成本太高(其实就是hold不住lua)

  • sc-gateway 这个是基于webflux的,底层也是基于netty,性能可以,其缺点就是,没有动态化的配置,而且也只是sc-cloud体系的,其他的业务系统怎么接入? 怎么做成公用服务?每次新上接口怎么办?动态调整接口的限流速率怎么办?等等很多问题。

so 基于以上问题,我们综合考虑,决定自己干一个。我在做的时候,参考了kong的插件思想,sc-gateway的webflux思想,再结合公司的定制需求写出了soul网关.

首先我们来看一张soul的架构图,有利于加深它的运行原理

  • 首先别被这张图吓着,我来详细的讲解下,绿色的部分,客户端就是代表用户,它按照网关要求的数据格式来请求网关服务。

  • soul服务其实就是个http服务,底层用了webflux,所以它如果部署集群的话,可以开启一个nginx集群,来反向代理soul服务

  • soul-admin 就是整个soul的整个管理后台,它配置所有的规则选择器,然后再把数据写到zookeeper。

  • soul服务在启动的时候,会拉取zookeeper的数据,写到本地JVM,然后继续监听 zookeeper,来动态更新JVM中的数据,这一块 可以参考 zookeeper-node 设计。

  • 后面就是soul的执行流程了,基本上就是插件责任链模式,具体的插件执行具体的事情. 每个插件它是根据用户请求网关的数据,与admin后台配置的规则,来执行具体的逻辑。所以这有个很重要的东西,用户访问soul的数据请求格式是什么?

我们来看一下soul实现的功能

  • 自带插件: 防火墙,签名,监控,限流,代理,dubbo,springcloud

  • 所有的插件,选择器,规则,热插拔,动态配置。

  • 无缝对接http,restful,websocket,dubbo,springcloud 等协议

  • 支持集群部署,支持灰度发布。

  • 当然你熟了以后,还有很多其他的功能,比如查找定位问题,A/B test 等等

请求soul网关

  • 这里我假设你已经部署好了soul-admin 以及 soul-web 为localhost:8080

  • 你使用 http工具类,或者postman ,post请求访问 localhost:8080

  • http header 头设置:

  1. module :必填,指请求的系统模块,建议:所有插件的选择器中应该根据此字段来匹配

  2. method :必填,请求的方法,指真实请求的方法,如果是http/springcloud,那么指请求的方法路径。如果是dubbo,那就是请求的真实方法. 建议:所有插件规则应该根据此字段来匹配过滤请求

    1. rpcType: 请求的类型,填写http 则会使用divide插件,填写dubbo则会使用dubbo插件,填写springcloud则会使用springcloud插件。

    2. 这里我只有列举了比较简单的几个字段,还有几个字段未写,可以在这里看:请求参数设置

这里就有一个大体的印象,我是用http访问了soul网关,只不过在http header里面新增了几个soul需要的几个字段而已。

当然如果你比较熟悉soul的话,这里是非常宽泛的,用户完全可以自己传递字段,然后在admin后来,根据字段来匹配就好了,相当灵活便利

接下来我们来熟悉下:插件 选择器 规则

话不多说,首先来一张uml 图来表示他们之间的关系。

  • 一个插件对应多个选择器,一个选择器对应多个规则。

  • 一个选择器对应多个匹配条件,一个规则对应多个匹配条件。

  • 每个规则在对应插件下,不同的处理表现为handle字段,这个一个不同处理的json字符串。具体的可以在admin使用过程中进行查看。

接下来我们来熟悉下 soul-admin

话多说几句:因为篇幅问题,我这里只是举一个列子。

  • 我们在divide插件的选择器配置以上规则,注意 条件:module=test

  • 我们的http配置就是真实服务的路径:http://10.10.10.4:8088 可以配置多个,然后设置负载方式与权重

我们再来看一下,这个选择器下面的规则配置:

  • 同样我们注意下匹配条件 header 匹配 method = test/putPathBody

如果你是一直看下来的话:我相信你就有了印象,如果我们在http header :

  1. module字段值设置了 test,

  2. method 字段值设置了 test/putPathBody

然后访问soul,那么soul就会匹配到你的设置最终调用http服务为 : http://10.10.10.4:8088/test/putPathBody

发起代理调用,最终返回数据给你,这样你就完成了一个网关的调用 。我们来回想一下,我们做了什么?

我们访问网关是 `localhost:8080` 然后设置了http header ,最后真实调用为:http://10.10.10.4:8088/test/putPathBody

soul 支持websocket

  • 首先我们来看ws访问soul网关路径 ws://localhost:8080/? module=ws&method=/bbex/websocket/buyAndSell&rpcType=websocket

    参数详解:
    1.localhost:8080 是soul启动的ip和端口。
    2.module(必填):值是你用来匹配selector的关键
    3.method (参数): 你的 websocket路径,同时也用做匹配rule
    4.rpcType :websocket 必填,且必须为websocket
  • 这里websocket 就不能通过header传了,就要用参数方式了。

dubbo 用户使用soul

这里少说两句了

  • 如果是dubbo集成,那么rpcType的值为dubbo

  • dubbo参数设置在http body里面,具体的请查看 dubbo插件

soul 扩展

  • 方式一:如果你只想使用soul插件的责任链模式,那么只需要实现 org.dromara.soul.web.plugin.SoulPlugin

  • 方式二:如果你想自定义插件,使用soul的选择器,规则设置,那么需要继承org.dromara.soul.web.plugin.AbstractSoulPlugin

  • 篇幅原因请参考:soul扩展

soul自定义开发

  • 其实我更推荐你们自己新建项目来集成soul服务,admin后台就不需要了。

  • 首先引入soul依赖

  <dependency>
         <groupId>org.dromara</groupId>
         <artifactId>soul-spring-boot-starter</artifactId>
         <version>1.0.5-RELEASE</version>
  </dependency>

or

  <dependency>
          <groupId>org.dromara</groupId>
          <artifactId>soul-web</artifactId>
          <version>1.0.5-RELEASE</version>
   </dependency>
  • 在你的新建项目组引入spring-webflux所需要的依赖包。

  • 具体可以参考 以下项目:soul-bootstrap soul-demo

soul未来展望

  • 我觉得soul 做为纯java来开发网关,其低成本,易用性,随着微服务的流行,肯定会有各种各样的新需求,希望广大技术朋友参与进来,提供优秀的代码与建议。

  • 有人说java语言做网关不如lua,Python等,这个是匪夷所思的。

  • 现在soul是依赖了webflux,个人觉得,后续或者直接使用netty,性能或许会更高。

  • 现在soul依赖于zookeeper,来做配置数据之间的同步,可能会有些重,未来可能会采用http长轮询的方案来同步更新
    具体的讨论在:issues

Soul的具体使用文档:

  • 官网文档 :https://dromara.org/website/zh-cn/docs/soul/index.html

  • github地址: https://github.com/Dromara/soul

  • gitee 地址:https://gitee.com/shuaiqiyu/soul



欢迎加入我的知识星球,一起探讨架构,交流源码。加入方式,长按下方二维码噢:

已在知识星球更新源码解析如下:


如果你喜欢这篇文章,喜欢,转发。

生活很美好,明天见(。・ω・。)ノ♡

Dubbo与OpenFeign:微服务通信框架选型指南 在分布式系统架构中,RPC(远程过程调用)是实现服务间通信的核心技术,其性能与设计直接影响系统效率。Dubbo作为高性能二进制协议框架,采用模块化设计,支持长连接和多种序列化方式,适合延迟敏感场景;而OpenFeign作为声明式HTTP客户端,深度集成Spring Cloud生态,遵循RESTful规范,更适合快速开发和非关键路径。通过对比协议支持、性能表现和服务治理能力,开发者可以根据业务需求选择适合的通信框架,例如Dubbo适用于核心交易链路,OpenFeign适合管理后台等场景。 阅读详情

相关推荐

Spring面试题及详细答案 125道(111-125) -- Spring Cloud

特别针对Spring Cloud微服务架构进行了深入解析,包括其核心组件(Eureka、Ribbon、Feign等)的作用及实现原理。文章详细讲解了服务注册与发现机制、负载均衡实现方式、Eureka的自我保护机制等关键知识点,并配有代码示例和配置说明,帮助开发者快速掌握微服务架构的核心技术要点。(149字)

大剑师兰特的GIS世界 991

SpringBoot集成Dubbo的网关

启动之后,会发现zookeeper出现注册信息,则代表dubbo成功暴露接口。首先引入SpringBootDubbo的依赖和zookeeper的依赖。然后再配置文件配置本项目对外暴漏的应用名,和注册服务器。然后再启动类注解开启dubbo的注解。然后编写暴露的接口和接口实现。

m0_50296603的博客 654

Spring Boot教程与Spring Cloud教程

本项目内容为Spring Boot教程程序样例。作者博客:http://blog.didispace.com 作者GitHub:https://github.com/dyc87112/SpringBoot-LearningSpring Boot系列博文:http://blog.didispace.com/categories/Spring-Boot/Spring Cloud系列博文:http://

霍力强的专栏 4066

spring boot2 + dubbo + zookeeper 搭建微服务框架

先晒一张架构图 微服务模块和api网关使用spring boot2 作为基础架构,微服务注册采用zookeeper 下面开始搭建: 第一步:创建一个父模块(不是必须的,可以不创建,这里为了方便管理) 微服务的每一个模块都是一个独立的程序,因此父模块并不是必须创建的,但是为了方便管理jar包,服务模块,还是创建一个空的父模块。(这里使用idea演示) (1)file-》new -》p...

qq_26462567的博客 3681

微服务架构面试全解析:Dubbo+Spring Boot+Spring Cloud实战指南

从微服务的理念,到Dubbo的Provider/Consumer协作,再到ZooKeeper的服务发现、序列化协议的选择、集群容错的策略,我们一路走来,揭开了许多“黑盒”。记住,工具本身不重要,重要的是理解其背后的设计哲学。当你明白“为什么用临时节点?“为何Failover可能导致重复?“Filter如何实现AOP效果?时,你才能在复杂的线上问题面前从容应对,甚至优化出更适合你业务的方案。技术之路永无止境。愿你我都能在这条路上,不断探索,持续精进。🚀。

weixin_33531560的博客 913

【Labview与SQL Server互联(labview可以引用数据库)】

Labview与SQL Server互联

Magize的博客 3589

dubbo:dubbo+nacos整合springcloud gateway实现网关(三)

上次我们讲到使用zookeeper作为注册中心搭建dubbo微服务框架,但是我们还缺少一个服务总入口,也就是我们的网关服务。所以今天我们的目标就是给dubbo框架搭建一个网关。dubbo框架体系一般是结合nginx来作为网关的,但有时我们需要在网关拓展集成更多的功能,nginx可能无法满足,这是就可以结合springcloud gateway来实现

55555的博客 3708

告别CAPL编程!用Matlab/Simulink+CANoe实现复杂ECU仿真的5个技巧

本文介绍了如何利用Matlab/Simulink与CANoe进行联合仿真,以替代复杂的CAPL编程,高效实现复杂ECU仿真。文章分享了5个核心技巧,涵盖信号映射、模型编译集成、实时参数调整、性能优化及数据分析,帮助算法工程师构建稳定强大的仿真环境,显著提升开发与测试效率。

rgv234567的博客 298

Dubbo了解

官网地址:官方网站 Dubbo就是资源调度和治理中心的管理工具。 架构: 节点角色说明 节点 角色说明 Provider 暴露服务的服务提供方 Consumer 调用远程服务的服务消费方 Registry 服务注册与发现的注册中心 Monitor 统计服务的调用次数和调用时间的监控中心 Container 服务运行容器 ...

qq_41566772的博客 458

手把手教你用LTspice仿真TVS二极管:从选型验证到波形分析全流程

本文详细介绍了如何使用LTspice仿真TVS二极管,从选型验证到波形分析的全流程。通过搭建仿真环境、核心参数验证和系统级防护策略,帮助工程师低成本评估TVS性能,优化电路设计。特别适用于电源设计和接口防护领域,提升工作效率和设计准确性。

weixin_29234239的博客 653

人大金仓的‘影子表’sys_user:搞懂Schema优先级,告别字段不存在的报错

本文深入解析人大金仓数据库中‘影子表’sys_user的Schema优先级问题,帮助开发者解决字段不存在的报错。通过分析Schema搜索路径机制,提供四种解决方案,包括连接时指定Schema、动态调整搜索路径、永久修改用户设置和使用完全限定表名,确保查询准确无误。

weixin_30329623的博客 599

kong网关从入门到精通_推荐一个微服务网关,支持 Dubbo、Spring Cloud、Spring Boot !...

Soul网关由来?Soul网关是我在任职某大型电商公司中间件技术部的时候所开发的。开源以后,针对不同的用户需求,进行了功能的升级,比如 支持了springcloud websocket restful风格 get请求,插件可以定制化开发等等,感谢开源。当时我们面对什么问题呢?首先公司有很多语言,java,net,php,Python等等,相互之间的交互只能通过http,调用很不统一,尤其是java...

weixin_39642981的博客 837

基于SpringBoot 3 + Vue 3的全栈民宿预约管理系统设计与实现

文章将详细阐述系统的需求分析、架构设计、数据库设计、核心功能模块的实现(包括用户认证、房源管理、订单流程、支付集成等),并提供关键代码片段,最后对系统进行总结与展望。.requestMatchers("/api/admin/**").hasRole("ADMIN") // 管理员接口。.requestMatchers("/api/auth/**").permitAll() // 认证接口公开。.requestMatchers("/api/public/**").permitAll() // 公开资源。

2201_76125393的博客 273

Spring Cloud 集成 Dubbo 全流程:基于 RuoYi-Cloud 的实战指南

本文总结了在 SpringCloud(RuoYi-Cloud)项目中集成 Dubbo 的完整实践;内容重点包含版本选择逻辑(SpringBoot、CloudAlibaba、注册中心匹配)、Dubbo 核心依赖配置、本地化配置文件编写以及注解使用规范;通过新增独立 API 模块、配置 Nacos 注册中心、应用 @DubboService / @DubboReference 成功实现更高效的服务调用链;最后也给出了简单的调用验证方法 并欢迎各位对方案提出改进建议;

Jtianouo_03的博客 1376

verilog扰码器设计及仿真

本设计使用verilog语言实现扰码器设计与仿真 本工程在quartusII下实现并在modelsim下进行仿真 设计中包括加扰器和解扰器模块、仿真测试模块等. 下面是工程截图: 下面是modelsim仿真截图: 仿真代码部分可以自己设计更改,输出也会不同。 ...

QQ_778132974的博客 1728

ROS2 多机器人导航仿真入门教程(一)

RMF 是建立在 ROS 2 基础上的一系列可重复使用、可扩展的库和工具,可实现任何类型机器人系统的异构机群的互操作性。RMF 利用标准化的通信协议与部署机器人的基础设施、环境和自动化系统进行通信,以优化关键资源(如机器人、电梯、门、通道等)的使用。它通过资源分配和通过 RMF 核心(将在本书后面详细介绍)防止共享资源冲突,从而为系统增加智能。RMF 灵活而强大,几乎可以在任何通信层上运行,并与任何数量的物联网设备集成。RMF 的架构设计允许随着环境自动化水平的提高而扩展。

2506_90492529的博客 1662

Spring Cloud 教程(一) | 认识Spring Cloud

认识Spring Cloud

qq_20236937的博客 1412

YOLOv13改进策略【小目标改进】| Shape-NWD:融合改进,结合Shape-IoU和NWD 更好地适应小目标特性

Bw−wgt2h−hgt2weight2Bweight2w−wgt​2h−hgt​2​其中weight2weight = 2weight2。

Limiiiing的博客 591

微服务架构:Spring Cloud 与 Dubbo 对比

支持HTTP/REST(默认)、gRPC等,与Spring Boot深度集成。(如Config, Zuul, Sleuth),覆盖微服务完整生命周期。:默认基于TCP的Dubbo协议(二进制序列化),性能优于HTTP。,与Spring Cloud Alibaba深度整合,补齐治理能力。(如整合K8s, Service Mesh)。依托Spring生态,社区活跃度高,2019年成为Apache顶级项目,,提供配置中心、服务网关、链路追踪等。(远程调用、负载均衡)。

jsdhxfsdss的博客 380

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")

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。

Java 跨域05-Spring 与 Dubbo 服务整合(协议转换)

Java 跨域05-Spring 与 Dubbo 服务整合(协议转换)🌐🔌 本文探讨了Spring与Dubbo服务的整合方案,重点解决HTTP到Dubbo协议的转换问题。主要内容包括: 业务背景分析 前后端分离架构中,前端通过HTTP调用Spring服务,后端使用Dubbo RPC 协议转换的必要性:HTTP适合开放接口,Dubbo适合内部高性能通信 技术实现方案 环境准备:Spring Boot 2.7+/3.x + Dubbo 3.2.x + Zookeeper/Nacos 架构设计:分层架构(Sp

千淘万漉虽辛苦,吹尽狂沙始到金 2万+

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

拿这个开源项目来入门Spring Cloud微服务真的香(附源码)

项目文档非常完善技术栈也比较新,各种版本都有(分离不分离微服务版本)。 采用前后端分离的模式,微服务版本前端(基于 RuoYi-Vue)。 后端采用Spring Boot、Spring Cloud & Alibaba。 注册中心、配置中心选型Nacos,权限认证使用Redis。 流量控制框架选型Sentinel,分布式事务选型Seata。 如需不分离应用,请移步 RuoYi,如需分离应用,请移步 RuoYi-Vue

m0_61926454的博客 1433

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

Spring Cloud 简介

Spring Cloud 是一个基于 Spring Boot 的分布式系统开发框架,提供了一整套微服务架构下的解决方案。它集成了多种核心组件,如 Eureka(服务注册与发现)、Feign(声明式 REST 调用)、Hystrix(断路器)、Zuul(API 网关)等,支持配置管理、服务治理、分布式事务处理等功能。Spring Cloud Alibaba 进一步扩展了其能力,提供了 Nacos、Sentinel、Seata 等组件,支持阿里生态。Spring Cloud 的优势在于快速上手、组件丰富、可插拔

红血哥 578

Apache Dubbo

Apache Dubbo是Apache基金会的高性能分布式服务框架,专注于微服务架构下的服务治理问题。它提供注册发现、负载均衡、容错等核心能力,通过解耦调用、提升弹性和简化治理等价值,帮助开发者构建稳定高效的分布式系统。Dubbo 3.0升级Triple协议实现跨语言支持,采用应用级服务发现降低注册中心压力。相比SpringCloud,Dubbo更专注于RPC通信,适合高性能场景。其五大核心角色包括服务提供者、消费者、注册中心、监控中心和容器,支持与Nacos、Prometheus等主流组件集成,是云原生时

Cby121353的博客 1127

Spring Cloud Alibaba 2025.1.0.0 正式发布:拥抱 Spring Boot 4.0 与 Java 21+ 的新时代

摘要: Spring Cloud Alibaba 2025.1.0.0正式发布,全面支持Spring Boot 4.0.2与Java 21+,标志着微服务生态的重大升级。新版本深度整合Project Loom虚拟线程与io_uring高性能I/O框架,显著提升并发处理能力与I/O效率,同时优化GraalVM原生镜像支持,降低启动时间和内存占用。该版本要求最低Java 21运行环境,并完成Jakarta EE 10适配,为开发者提供更高效的异步编程模型与云原生体验。

在技术的广袤天地里,本博客如精准罗盘。剖析前沿科技,深掘代码奥秘,以精炼笔触,带您穿越复杂技术迷宫,速达知识彼岸。 7103

学Spring Boot绕不开的11个经典项目,告别理论直接上手!

如果你正在学习 Spring Boot,建议直接从实战项目切入!

mxt51220的博客 1156
上一篇: 长文 | 最近面试 Java 后端开发的感受
下一篇: SkyWalking 毕业成为 Apache 顶级项目,可搭配 Spring Cloud、Dubbo 一起食用
公众号-芋道源码
博客等级 码龄10年 1640粉丝 377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