链路追踪 SkyWalking 6.x 源码分析 —— 调试环境搭建

【链路追踪】skywalking部署流程 引用 ES搭建 搭建简介1 准备安装环境 Zookeeper搭建 Zookeeper安装 安装zookeeper wget https://dlcdn.apache.org/zookeeper/zookeeper-3.8.0/apache-zookeeper-3.8.0-bin.tar.gz --no-check-certificate tar -xzvf apache-zookeeper-3.8.0-bin.tar.gz mv apache-zookeeper-3.8.0-bin /data/home/u 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

 

摘要: 原创出处 http://www.iocoder.cn/SkyWalking/6/build-debugging-environment/ 「芋道源码」欢迎转载,保留摘要,谢谢!

  • 1. 依赖工具

  • 2. 源码拉取

  • 3. 编译 SkyWalking

  • 4. 启动 SkyWalking OAP Server

  • 5. 启动 SkyWalking UI

  • 6. 启动 SkyWalking Agent

  • 666. 彩蛋


1. 依赖工具

  • Maven

  • Git

  • JDK 8

    艿艿:注意,JDK 的版本一定要是 8 ,不然执行 maven package 命令时,会发生报错。

  • IntelliJ IDEA

  • NPM

    艿艿:关于它的安装,胖友自己查询下噢。记得安装 nvm 。

2. 源码拉取

从官方仓库 https://github.com/apache/incubator-skywalking Fork 出属于自己的仓库。为什么要 Fork ?既然开始阅读、调试源码,我们可能会写一些注释,有了自己的仓库,可以进行自由的提交。????

使用 IntelliJ IDEA 从 Fork 出来的仓库拉取代码。拉取完成后,Maven 会下载依赖包,可能会花费一些时间,耐心等待下。

本文基于 master 分支,使用 SkyWalking 6.0.0-beta-SNAPSHOT 版本。

3. 编译 SkyWalking

参考 《官方文档 —— How to build》

  1. 打开 IntelliJ IDEA Terminal 中,执行输入命令:

    1. git submodule init ,初始化子模块。

    2. git submodule update ,更新子模块。

    3. mvn package -Dmaven.test.skip=true ,进行编译。这个编译的过程中,依赖 npm 环境。一般情况下,我们不需要编译 SkyWalking UI 项目,所以我们可以把 apm-webapp/pom.xml 的如下部分,进行注释掉。

  2. 设置 gRPC 的自动生成的代码目录,为源码目录 :

  • 将 apm-protocol/apm-network/target/generated-sources/protobuf 目录下面grpc-java 和 java 目录右键设置为 Generated Rources Root 。

  • 将 oap-server/server-core/target/generated-sources/protobuf 目录下面grpc-java 和 java 目录右键设置为 Generated Rources Root 。

  • 将 oap-server/server-receiver-plugin/skywalking-istio-telemetry-receiver-plugin/target/generated-sources/protobuf 目录下面grpc-java 和 java 目录右键设置为 Generated Rources Root 。

4. 启动 SkyWalking OAP Server

  1. 安装 ElasticSearch 6.x 因为 SkyWalking 的 Tracing 的数据存储在它上面。具体的安全过程,胖友看看 《ElasticSearch 6.x 学习笔记:1.下载安装与配置》 。

  2. 运行 oap-server 的 server-starter 的  org.apache.skywalking.oap.server.starter.OAPServerStartUp 的 #main(args) 方法,启动 SkyWalking OAP Server 。

  3. 启动成功日志。

    2018-11-19 17:12:26,331 - org.eclipse.jetty.server.Server - 71 [main] INFO  [] - Started @5389ms
    

5. 启动 SkyWalking UI

  1. 运行 apm-webapp 的  org.apache.skywalking.apm.webapp.ApplicationStartUp 的 #main(args) 方法,启动 SkyWalking UI 。

  2. 浏览器打开 http://127.0.0.1:8080 ,输入账号密码 admin / admin 进行登录。

6. 启动 SkyWalking Agent

  1. 在 skywalking-agent 目录下,我们可以看到编译出来的 skywalking-agent.jar :

  2. 使用 Spring Boot 创建一个简单的 Web 项目,注意端口不要使用 8080 ,因为 SkyWalking UI 使用了 8080 端口。类似如下 :

    友情提示 :这里一定要注意下。创建的 Web 项目,使用  IntelliJ IDEA 的菜单 File / New / Module 或 File / New / Module from Existing Sources ,保证 Web 项目和 SkyWalking 项目平级。这样,才可以使用 IntelliJ IDEA 调试  Agent 。

  • 在 org.skywalking.apm.agent.SkyWalkingAgent 的 #premain(...) 方法,打上调试断点。

  • 运行 Web 项目的 Application 的 #main(args) 方法,并增加 JVM 启动参数,-javaagent:/path/to/skywalking-agent/skywalking-agent.jar。/path/to 参数值为上面我们编译出来的 /packages/skywalking-agent 目录的绝对路径。如下图 :

  • 如果在【第三步】的调试断点停住,说明 Agent 启动成功。


  • 考虑到可能我们会在 Agent 上增加代码注释,这样每次不得不重新编译 Agent 。可以配置如下图,自动编译 Agent :

    • -T 1C clean package -Dmaven.test.skip=true -Dmaven.compile.fork=true 。


    另外,使用 IntelliJ IDEA Remote 远程调试,也是可以的。如下图 :



    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:


    最近更新《芋道 SpringBoot 2.X 入门》系列,已经 20 余篇,覆盖了 MyBatis、Redis、MongoDB、ES、分库分表、读写分离、SpringMVC、Webflux、权限、WebSocket、Dubbo、RabbitMQ、RocketMQ、Kafka、性能测试等等内容。

    提供近 3W 行代码的 SpringBoot 示例,以及超 4W 行代码的电商微服务项目。

    获取方式:点“在看”,关注公众号并回复 666 领取,更多内容陆续奉上。

    如果你喜欢这篇文章,喜欢,转发。

    生活很美好,明天见(。・ω・。)ノ♡

告别理论!用SkyWalking链路追踪直观调试你的SpringCloudAlibaba微服务 本文详细介绍了如何使用SkyWalking链路追踪技术直观调试SpringCloudAlibaba微服务,帮助开发者快速定位和解决分布式系统中的性能问题。通过实战案例和配置示例,展示了如何实现可视化调试,提升开发效率。特别适合新手入门和项目搭建阶段的开发者。 阅读详情

相关推荐

基于 Apache SkyWalking 实现全链路追踪与日志一体化收集

摘要:本文介绍如何在微服务架构中使用Apache SkyWalking实现全链路追踪。通过SkyWalking的Java Agent实现无侵入式埋点,自动采集服务调用链数据并关联日志。主要内容包括:1) 部署SkyWalking OAP Server和UI;2) 配置Java Agent连接参数;3) 改造Spring Boot应用日志输出格式,自动注入traceId;4) 验证效果,实现服务拓扑可视化、调用链追踪和日志关联。最终实现零代码改造的全链路监控方案,解决微服务架构下的性能分析和问题定位难题。

王威振的博客 1050

当我们用SkyWalking本机启动的时候java.lang.UnsupportedClassVersionError: org/apache/skywalking/oap/server/starte

当我们用SkyWalking本机启动的时候报错:java.lang.UnsupportedClassVersionError: org/apache/skywalking/oap/server/starter/0APServerStartUp has been compiled by a more recent version of the Java Runtime (class file version 55.0), this version of the Java Runtime only recogn

晴晴公猪ovo 1208

Spring Boot日志如何无缝对接SkyWalking UI?Logback配置与TraceId追踪实战

本文详细介绍了如何将Spring Boot日志无缝对接SkyWalking UI,通过Logback配置实现TraceId追踪。文章从环境准备、Logback配置详解到日志上报策略优化,提供了完整的实战指南,帮助开发者快速实现日志与链路追踪的关联,提升分布式系统的问题排查效率。

cumi6497的博客 691

skywalking内部测试服务器安装记录

skywalking内部测试服务器安装记录

宁波阿成的博客 2086

Spring Boot项目如何优雅集成SkyWalking Agent?从日志收集到链路追踪的完整配置(附Logback示例)

本文详细介绍了如何在Spring Boot项目中优雅集成SkyWalking Agent,实现从日志收集到链路追踪的完整配置。通过Logback示例和最佳实践,帮助开发者解决日志与链路关联、TraceId显示不全等常见问题,提升微服务系统的可观测性。

cumi6497的博客 539

SkyWalking全链路追踪:原理、配置与生产实践

分布式系统监控是现代微服务架构的关键需求,全链路追踪技术通过记录请求在服务间的完整路径,帮助开发者快速定位性能瓶颈。作为APM(应用性能管理)领域的开源解决方案,SkyWalking采用字节码增强技术实现零侵入监控,支持Java、Go等多语言生态。其核心原理是通过探针采集Span数据,在服务端构建调用链拓扑,最终以可视化形式呈现。相比Zipkin等工具,SkyWalking在性能损耗(实测仅2-3%)和功能完备性上表现突出,特别适合电商、金融等高并发场景。本文详解从环境搭建、存储选型到生产部署的全流程,包含

anvt77205的博客 408

Skywalking使用篇(二):告警配置

Apache SkyWalking 告警是由一组规则驱动,这些规则定义在 config/alarm-settings.yml 文件中 告警规则 告警规则有两种类型:单独规则、复合规则 单独规则 rules: # 规则唯一名称,必须以'_rule'结尾. service_resp_time_rule: # 度量名称,也是OAL脚本中的度量名,目前Service, Service Instance, Endpoint的度量可以用于告警 metrics-name: service_.

wb4927598的博客 4819

Spring Boot日志如何无缝对接SkyWalking UI?一个Logback配置搞定全链路追踪

本文详细介绍了如何通过Logback配置实现Spring Boot日志与SkyWalking UI的无缝对接,实现全链路追踪。从环境准备、依赖引入到Logback高级配置,再到实战技巧和性能优化,帮助开发者快速掌握SkyWalking集成方法,提升分布式系统的监控能力。

dengxiangbao3167的博客 453

基于springboot项目部署skywalking 6.0.0.GA

百度的,似乎总是得不到自己想要的,即便只是一些基础的东西 读前须知 1、在读文之前,强烈建议看一遍如下链接的概述部分!!!https://juejin.im/entry/5a6e491a6fb9a01cbb395ea2 2、以下仅是基本的安装方法,具体的还请参照官方文档;另外,请参照英文文档,中文文档缺失 步骤一,下载SkyWalking:http://skywalking.apache.org/downloads/ 解压缩后得到主目录如下(有几次我下载错误,得到的不是下面所展示的内容): 在这里

曹洪双 1026

skywalking6.x部署手册_V1.0.docx

skwalking6.x部署使用手册,详细介绍skywalking环境的搭建及agent探针的接入java项目

Java 开发 修改【冒险岛 079 私服】完整学习流程

第 1-2 天:环境搭建 + 运行原版 079 服务端,能正常登录游戏;第 3-4 天:纯配置文件修改,掌握倍率、属性、怪物、道具的修改,改出第一个「百倍经验私服」;第 5-10 天:Java 代码基础修改,掌握 Player/Skill/Monster 核心类的修改,实现技能无冷却、一刀秒怪、升级满属性;第 11-20 天:Java 代码进阶修改,掌握业务逻辑修改,实现死亡不掉经验、自动捡物、装备强化无失败;第 21-30 天。

萧曳丶 3910

SpringBoot(48)-使用 SkyWalking 进行分布式链路追踪

在分布式系统中,了解各个服务之间的调用关系和性能表现是非常重要的。Alibaba SkyWalking 是一款开源的分布式系统监控与分析平台,能够帮助我们实现分布式系统的链路追踪、性能监控和故障排查。本教程将介绍如何使用 Alibaba SkyWalking 进行分布式链路追踪,帮助我们深入了解分布式系统的运行情况。通过本教程,我们学习了如何使用 Alibaba SkyWalking 进行分布式链路追踪。

Murphy的博客 1961

机场数据治理系列介绍(1):机场行业数据中台中的数据管理顶层设计方案

民航机场行业的数据中台中,有关数据管理顶层设计方案需要结合机场行业的业务特点和技术需求进行具体的设计,今日我们简要考量设计提供一个参考方案:

机场信息系统研究员的专栏 1607

微服务链路追踪神器:SkyWalking

📝 SkyWalking全链路追踪实战指南 本文介绍了Apache顶级项目SkyWalking在微服务监控中的核心价值,通过30分钟快速部署方案和1分钟服务接入演示,帮助开发者实现分布式系统可视化追踪。文章包含: 1️⃣ 核心功能:跨进程调用链追踪、多维指标监控、服务网格支持 2️⃣ 极简部署:OAP+UI组件下载与启动步骤 3️⃣ 服务接入:Java Agent配置模板与多服务命名规范 4️⃣ 典型场景:通过下单链路分析性能瓶颈 5️⃣ 常见问题:网关插件配置、日志追踪ID集成等解决方案 最后提供进阶路

weixin_74024217的博客 1198

K230开发板实战:YOLOv8n模型部署全流程(附常见报错解决方案)

本文详细介绍了在K230开发板上部署YOLOv8n模型的完整流程,包括模型选型、配置文件优化和运行时调优。特别针对常见的'生成部署文件异常'等问题提供了实用解决方案,帮助开发者高效完成嵌入式AI模型的部署与优化。

g8f9d0s1a2的博客 1050

vins-mono保存、重载地图、evo工具测试

下面咱们来对vins-mono的重定位vins-mono官方源码地址:https://github.com/HKUST-Aerial-Robotics/VINS-Mono https://blog.csdn.net/learning_tortosie/article/details/83182258 运行这条: roslaunch benchmark_publisher publish.launc...

追 1万+

其他 | 对 Dubbo 通信与 Skywalking 集成的简单调研

本文调研了Dubbo和Skywalking在微服务架构中的应用。针对现有OpenFeign配置冗余和链路追踪不足的问题,提出采用Dubbo 3作为服务调用框架,结合Skywalking实现全链路监控的优化方案。通过搭建包含Skywalking、Nacos和Dubbo Admin的测试环境,验证了Dubbo 3在中文文档支持、多协议兼容性以及与Skywalking集成方面的优势。采用多模块项目结构,包括公共接口定义、服务提供者和消费者三个部分,实现了服务调用的标准化和链路追踪的完善,为系统优化提供了技术参考。

m0_59044499的博客 834

Java的API帮助文档

JDK帮助文档 SUN公司为JDK工具包提供了一整套文档资料,我们习惯上称之为JDK文档。 JDK文档中提供了Java中的各种技术的详细资料,以及JDK中提供的各种类的帮助说明。 JDk文档是Java语言的完整说明,大多数书籍中的类的介绍都要参照它来完成,它是编程者经常查阅的资料 如何理解API:就当做是一个“字典”,“使用手册”,API就相当于是一个电子的帮助文档,可以帮我们查看JDK提供的类的信息,平时查看的时候可结合百度一起看。 官网下载: 1、登录Oracle官网(Oracl.

人生得意须尽欢 2万+

第02讲:链路追踪利器,快速上手 SkyWalking

ElasticSearch、Kibana、Skywalking 等的安装

Marion的博客 1679

MIPI C-PHY介绍(Specification for C-PHY V1.2)

本文档描述了一个名为C-PHY的高速串行接口,它在带宽有限(bandwidth limited channels,看的有人说C的含义就是channel limit)的通道上提供高吞吐量性能,用于连接到外设,包括显示器和摄像头。首先0x4fff在0x4000~0x4fff区域,则f=(0,0,0,0,0,0,1),顺序是S6~S1;最后,端到端的传输过程是什么样呢,如下图所示,16bit先转换成7个符号(每个符号3位,共21位),然后并行数据转换成串行数据,输送到符号编码器和3个线的驱动器,接收端流程相反。

qflook的博客 5886

华为OD机试 - 学校的位置 - 数学问题(Python/JS/C/C++ 2024 B卷 100分)

华为OD机试 2024E卷题库疯狂收录中,刷题。

学Java,找哪吒 455

skywalking基础使用

因为skywalking记录的链路中有很多关键节点, 我们也能利用这些关键节点去排查问题, 能间接发现某些方法是否被执行。这个接口响应正常了, 异常没有暴露到前端, 且调用链路很长, 但我们借助skywalking就能快速定位问题点了。点击上面链路节点中执行sql的节点, 即可看到详情(包括sql以及sql参数, 能组装出完整的sql)在上面的两个异常爆红的地方点击即可看到异常的详情以及报错堆栈。在接口响应header中复制x-trace-id。进入services->trace界面。

随缘同学的博客 821

2026华为OD机试(Python)真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ

华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录,Python实现。

MISAYAONE的博客 29万+

SkyWalking - 单机模式部署:基于 H2 存储的快速体验环境搭建

SkyWalking单机部署与Java应用监控实践 本文介绍了基于H2存储快速搭建SkyWalking单机环境的方法,适用于开发调试和学习场景。主要内容包括: SkyWalking简介:开源APM工具,支持分布式追踪、服务拓扑、指标监控等功能 H2存储优势:轻量免配置,适合本地开发,但不适用于生产环境 部署步骤: 下载解压SkyWalking安装包 检查并配置H2存储参数 启动OAP Server和Web UI服务 Java应用接入: 创建Spring Boot示例项目 配置SkyWalking Agent

千淘万漉虽辛苦,吹尽狂沙始到金 2万+

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")

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

链路追踪:SkyWalking, Zipkin 入门

Docker部署时,Zipkin仅需单容器,而SkyWalking需OAP+UI+Storage三组件,但K8s生态集成更完善。例如Java服务接入时,SkyWalking通过-javaagent参数无侵入接入,Zipkin需在代码中植入Brave客户端。例如电商场景下,SkyWalking的慢事务追踪可精准定位库存服务瓶颈,而Zipkin更适合API网关的快速问题排查。掌握这两款工具后,您会发现它们如同分布式系统的"黑匣子",不仅能还原故障现场,更能通过历史数据预防潜在风险。**架构部署对比**

bhsvjg_353的博客 231

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

【云原生 | Kubernetes 系列】---Skywalking部署和监控

Skywalking部署和监控

Q先生 3500

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

上一篇: 基于 IntelliJ 的 IDE 功能路线图出来了,终于要支持中文!
下一篇: 现身说法:37 岁老码农找工作
公众号-芋道源码
博客等级 码龄10年 1639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