写给Java开发看的 Docker 干货(零基础部署Nginx MySQL SpringBoot)

yudao-ui-admin-vue3 nginx配置 本文记录一个yudao-ui-admin-vue3 nginx配置信息。 阅读详情

点击上方“芋道源码”,选择“设为星标”

管她前浪,还是后浪?

能浪的浪,才是好浪!

每天 10:33 更新文章,每天掉亿点点头发...

源码精品专栏

 

来源:bugpool.blog.youkuaiyun.com/

article/details/105467335


前言

Docker是当下使用最多的一种容器技术,想精通Docker并不容易,在公司生产中会有专门的运维人员负责。但是身为开发人员 ,适当的学习Docker是必要的。Docker的好处这里就不介绍了,网上一搜一大堆。

本篇将用最简短的篇幅介绍开发人员需要学习的Docker干货,你将学习到

  • Docker的安装

  • 第一个HelloWorld镜像

  • 运行nginx并访问静态页面

  • 运行mysql数据库

  • 制作自己的镜像

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://gitee.com/zhijiantianya/ruoyi-vue-pro

  • 视频教程:https://doc.iocoder.cn/video/

概念

Docker最重要的3个概念:仓库、镜像、容器,以springboot项目为例:

  • **镜像(Image): ** 将jdk + 项目jar包等文件以Docker的形式打包在一起就是镜像。这个概念跟重装系统时用的镜像是很相似的

  • 容器(Container): 将镜像实例化启动起来就是容器。容器是一个轻量级的linux系统,root用户权限、进程空间、用户空间和网络空间容器都有。假设现在想要部署一个redis,你得解压、安装、配置环境变量吧,但是docker不一样,只要有人把redis的镜像做好,运行起来成为一个小linux(也就是容器),这些环境跟做镜像的人的环境就会是一毛一样的,用户只需要run就行了

  • 仓库(Repository): 这里的仓库用于存放镜像,github就是代码的仓库,而这里的docker hub也就是存放镜像的仓库,供用户pull

docker跟git是十分相识的,通常我们会进行一下操作

  • 通过pull命令到docker hub上拉取需要的镜像,比如mysql、redis等等

  • 镜像已经拉取到本地了,通过run命令将镜像运行起来成为容器

  • 以上两步是使用他人的镜像,而当自己要构建一个例如springboot的镜像时,使用build命令构建镜像

9257374481a42b1d4ef9ded9cfc2b1e8.png

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://gitee.com/zhijiantianya/yudao-cloud

  • 视频教程:https://doc.iocoder.cn/video/

一、连接linux

本篇使用的服务器是ubuntu,没有服务器的同学也可以使用虚拟机,效果是一样的

# ssh 用户名@ip地址
chaitous-Mac-mini:~ chaitou$ ssh ubuntu@148.70.139.121
ubuntu@148.70.139.121's password: 
Welcome to Ubuntu 16.04.1 LTS (GNU/Linux 4.4.0-157-generic x86_64)

# 如果连接不上的,可能是你本机之前有其他服务的缓存和公钥信息
# 使用`ssh-keygen -R 148.70.139.121`清一下

如果是学生或者还没有接触过服务器的同学,笔者还是建议去买一个,现在面向新用户一年就几十块钱。能接触到公网,买个域名也能让项目真实的接触一下生产环境。

二、安装docker

# 先切换到root用户下
sudo su

# 更新apt-get,保证apt-get最新版本
apt-get update

# 安装docker
apt-get install -y docker.io

# 查看docker版本
docker version

# 启动docker服务(有可能不需要这一步,多执行一遍也不会有错)
service docker start

# 再执行一次version,看到Client、Service说明启动成功了
docker version
Client:
 Version:           18.09.7
 API version:       1.39
 Go version:        go1.10.4
 Git commit:        2d0083d
 Built:             Fri Aug 16 14:19:38 2019
 OS/Arch:           linux/amd64
 Experimental:      false

Server:
 Engine:
  Version:          18.09.7
  API version:      1.39 (minimum version 1.12)
  Go version:       go1.10.4
  Git commit:       2d0083d
  Built:            Thu Aug 15 15:12:41 2019
  OS/Arch:          linux/amd64
  Experimental:     false

三、第一个Docker镜像hello world

步骤:

  • 先用pull命令从远端拉镜像到本地

  • 用images命令查看所有镜像

  • run命令运行镜像

# pull: 从仓库拉取镜像
# docker pull [options] name[:tag]
# docker pull [可选参数] 镜像名[:版本号](如果不填默认为最新版本)
docker pull hello-world
# 默认从docker官方获取镜像,很可能因为网络原因需要多拉取几次

# 查看本机上的所有镜像
# docker images [可选参数]
docker images
# 看到hello-world说明拉取成功了
REPOSITORY          TAG                 IMAGE ID            CREATED             SIZE
hello-world         latest              fce289e99eb9        15 months ago       1.84kB

# 运行镜像
# docker run [options] image[:tag] [command] [args]
# docker run [可选参数] 镜像名[:版本号] [镜像运行时要执行的命令] [命令参数]
docker run hello-world

Hello from Docker!
# 当你看到这条消息说明安装成功了
This message shows that your installation appears to be working correctly.
# 生成这条信息,docker做了以下几个步骤
To generate this message, Docker took the following steps:
 # client端(也就是终端,命令行)连接到daemon端(指的是我们本地docker)
 1. The Docker client contacted the Docker daemon.
 # daemon端(本地docker)到Docker hub仓库中拉取了hello-world镜像
 2. The Docker daemon pulled the "hello-world" image from the Docker Hub.
    (amd64)
 # daemon端(本地docker)从镜像中创建了一个容器,这个镜像运行了当前看到输出的代码
 3. The Docker daemon created a new container from that image which runs the
    executable that produces the output you are currently reading.
 # daemon端(本地docker)将输出流给client端(命令行),显示到终端
 4. The Docker daemon streamed that output to the Docker client, which sent it
    to your terminal.
配置加速器

docker hub毕竟是境外网站,可能会网络超时,因此配置一下阿里镜像加速器

打开阿里云https://cr.console.aliyun.com/,登录一下aliyun,按着下面的提示配置一遍

f4515aa2a12e7dbdbf0eb74269ba7f27.png

四、运行nginx

# 拉取nginx镜像
docker pull nginx

# 查看镜像
docker images

# REPOSITORY          TAG                 IMAGE ID            CREATED             SIZE
nginx               latest              ed21b7a8aee9        12 days ago         127MB
hello-world         latest              fce289e99eb9        15 months ago       1.84kB
运行方式

刚刚run命令运行了hello world,这里详细将一下,运行方式有2种,前台运行和后台运行,前台运行则会占用终端,一般都会选择让容器在后台运行

前台运行,这种方式终端将不能进行其他操作,使用Ctrl+C停止

docker run nginx

后台运行,更常用的方式应该是这种

# 可以用docker run --help查看一下帮助文档,其中有这么一条
docker run --help
...
-d, --detach                         Run container in background and print container ID
...

# 使用-d后台运行nginx
docker run -d nginx
# 返回的是容器Id
7f7468b0d50ddea5bd258e78339d8c8a3681a7d601c82000bde1c6653e273c13

# docker ps 查看当前运行的容器
docker ps
CONTAINER ID        IMAGE               COMMAND                  CREATED             STATUS              PORTS               NAMES
7f7468b0d50d        nginx               "nginx -g 'daemon of…"   46 seconds ago      Up 45 seconds       80/tcp              dazzli

# 终止容器运行
docker stop 7f
7f
网络

刚刚提到docker容器就是一个小linux,也就是一个虚拟机。而容器行跟外界交互,只能先通过ubuntu主机的网卡,才能跟外界交互。主机与docker容器网络通讯的方式有为3种:

  • 桥接(Bridge): 也是最常用的方式,该模式下会将ubuntu主机上的端口映射到docker容器的端口上,例如8080:8081则会- 将主机上的8080端口映射到docker容器的8081端口

  • 共享(Host): ubuntu主机与docker共享同一端口

  • 无网络(None): docker没有网络,外界无法访问

我们重点讲解一下最常用的桥接模式

桥接 Bridge

桥接模式需要使用-p参数或者-P参数,-p 主机端口:容器端口,-P则使用随机的主机端口映射到docker容器

  1. -p 指定端口模式

# docker run -d -p 主机端口:容器端口 image[:tag]
docker run -d -p 8080:80 nginx
5e0cc45d89288faf9ba04b5e8b30548b8c14409a6d93e1abdd297676a7b7769a

docker stop 5e

此时我们就可以通过:8080访问nginx了

61e94e6e51538ea03e34863d26488b87.png
-P 随机端口

可以看到docker自动将0.0.0.0:32768->80/tcp随机端口32768映射到80上

# 随机开启一个端口映射到容器
# docker run -d -P image[:tag]
docker run -d -P nginx

docker ps
# 可以看到是32768端口映射到80端口
CONTAINER ID        IMAGE               COMMAND                  CREATED             STATUS              PORTS                   NAMES
be30acaeb546        nginx               "nginx -g 'daemon of…"   10 seconds ago      Up 9 seconds        0.0.0.0:32768->80/tcp   trusting_keller

docker stop be

五、运行mysql

使用docker进行mysql的部署比起在ubuntu上部署简直不要太方便!打开阿里云https://cr.console.aliyun.com/

fc1f08a99e8e73742b255aacc8b5f9dd.png

跳转到mysql的镜像地址查看mysql在docker下的使用。

链接地址:https://hub.docker.com/_/mysql

752e9de2c1b9c585a74f6679ba823c65.png

使用步骤:

  • 从远端仓库拉取mysql

  • 通过docker run运行

  • -d进行后台运行

  • -p指定端口映射

  • -e后面跟着的是mysql的参数,通过上方连接可以查询到通过MYSQL_ROOT_PASSWORD设置数据库密码、MYSQL_DATABASE设置数据库名

docker pull mysql

docker run -d -p 3306:3306 -e MYSQL_ROOT_PASSWORD=leilema -e MYSQL_DATABASE=leilema mysql:latest

通过数据库连接工具,例如Navicat等等进行数据连接,验证

d24265fadbef95f2566c4deb748c1539.png

是不是很简单,傻瓜式部署啊。特别是停止mysql容器跟删除mysql镜像,以前都是执行一大堆脚本还删不干净,现在就暴力多了,直接容器一停,镜像已删除,相当于整个虚拟linux全部删掉,要多干净有多干净,关键还快!

# 停止容器
docker stop 容器ID

# 删除镜像
docker rmi image[:tag]
错误(*进入容器内部)

2059错误: Authentication plugin 'caching_sha2_password' cannot be loaded

这个错误不难,装mysql时也遇到过,通过google 2059错误,知道解决方案是要给进入到mysql,设置一下ALTER USER 'root' IDENTIFIED WITH mysql_native_password BY 'leilema';才能连接。

难面也是会有错误的发生,既然docker容器就是一个虚拟linux,我们偶尔也是要进入到docker容器中查查日志啊,改改配置文件什么的。真好顺着这个错误,学习一下如何进入容器内部,也顺便看看容器内部是什么样子的:

  • 通过docker ps查询容器id

  • 通过docker exec -it 容器ID(可以只输入前缀) bash进入容器,此时你会发现终端前方的用户从root@VM-0-12-ubuntu改变成了root@9d71ee58f07c,@后方跟着的正式我们的容器id

  • 进入容器后的操作就跟linux的操作是一样的,最后通过exit退出mysql和容器

root@VM-0-12-ubuntu:~# docker ps
CONTAINER ID        IMAGE               COMMAND                  CREATED             STATUS              PORTS                               NAMES
9d71ee58f07c        mysql:latest        "docker-entrypoint.s…"   8 minutes ago       Up 8 minutes        0.0.0.0:3306->3306/tcp, 33060/tcp   hardcore_nash
root@VM-0-12-ubuntu:~# docker  exec  -it  9d  bash

# 进入容器内部,ls可以看到这货就是一个linux
root@9d71ee58f07c:/# ls
bin   docker-entrypoint-initdb.d  home  media proc  sbin  tmp
boot  entrypoint.sh    lib  mnt root  srv   usr
dev   etc     lib64  opt run   sys   var

# 进入mysql
root@9d71ee58f07c:/# mysql  --user=root  --password
Enter password: 
Welcome to the MySQL monitor.  Commands end with ; or \g.
...
# 执行一下命令,修改下mysql密码
mysql>  ALTER  USER  'root'  IDENTIFIED  WITH  mysql_native_password  BY  'leilema';
Query OK, 0 rows affected (0.01 sec)

mysql> exit
Bye
root@9d71ee58f07c:/# exit
exit

六、制作自己的镜像

想要制作自己的镜像需要有2步操作:

  • 编写Dockerfile,说明镜像要如何进行创建,跟makefile有点像

  • 通过docker build命令构建镜像

编写Dockerfile

这里以springboot项目为例,手头有springboot项目的同学可以直接使用手头的。我这里提供一个sringboot构建helloworld的jar包,已经传到git上,因此

  • 使用git拉取项目(或者自己通过rz命令将jar包传到服务器上)

  • cd到jar包目录下,在同级目录开始编写Dockerfile文件

get clone https://gitee.com/chaitou/hello-springboot

cd hello-springboot
vim Dockerfile

dockerfile文件如下:

# 依赖的基础镜像
from java:8
# 创建者
MAINTAINER bugpool xxx@163.com
# 将当前目录下的jar复制到容器/目录下
COPY hello-springboot.jar /hello-springboot.jar
# 指定启动时运行java -jar 命令
ENTRYPOINT ["java", "-jar","/hello-springboot.jar"]
构建镜像

springboot项目肯定是需要需要jdk才能运行,dockerfile上也写了from java:8,因此

  • 需要从仓库先pull一下java镜像

  • 使用docker build构建镜像,-t指定镜像名:版本号,最后一个.表示当前目录

  • 启动镜像,如果使用的是上面我提供的jar包,我特意将其运行端口改为8081来练习一下-p桥接网络的使用。

# 拉取java8
docker pull java:8
# 构建镜像
docker build -t hello-springboot:1.0 .
# 启动镜像
docker run -p 80:8081 hello-springboot:1.0

我们将主机80端口映射成为了docker容器的8081端口,因此我们需要访问ip:80/hello,80端口可以省略,因此就是ip/hello,如果看到一下界面,说明已经build成功,并且成功部署了

70858544637d0d323cfbfd081e5302b7.png

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:

6dc2277ff02d3bcbf84f314ef1c1d11f.png

已在知识星球更新源码解析如下:

c2921acdb4d2fbd25fc445a3a86e46a3.jpeg

133bca3f4b9f5ba14cbce3a5c3af1cbb.jpeg

f12d5e0384bf7d3795b8f53a49fe6240.jpeg

3ea8c2076cfdc2c8a7242b77f282dbcd.jpeg

最近更新《芋道 SpringBoot 2.X 入门》系列,已经 101 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。

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
SpringBoot+Vue网上点餐系统毕设全攻略:从设计到部署 在Web开发领域,前后端分离架构已成为主流实践。SpringBoot作为后端快速开发框架,简化了配置与部署流程;Vue作为渐进式前端框架,提供流畅的单页应用体验。两者结合不仅提升了开发效率,也完全契合企业级项目的技术栈要求。在毕业设计场景中,基于SpringBoot与Vue的网上点餐系统覆盖了用户端与管理端的核心业务,涉及JWT鉴权、购物车管理、订单状态机、数据库设计等关键技术点。该系统麻雀虽小五脏俱全,既能体现完整的功能闭环,又可展示工程化开发能力。本文从系统全景、后端接口实现、前端交互构建到服务器部署进 阅读详情

相关推荐

基于SpringBoot与微信小程序的图书管理系统设计与实现

在构建现代Web应用时,SpringBoot作为Java生态中的高效开发框架,以其“约定大于配置”的理念,极大地简化了企业级应用的初始搭建和开发流程。其核心原理在于通过自动配置和起步依赖,快速集成Web服务、数据库访问等组件,使开发者能聚焦于业务逻辑。这一技术价值在于显著提升了开发效率与项目可维护性,尤其适用于需要快速迭代的中小型项目。结合微信小程序这一轻量级前端入口,可以构建出用户体验流畅、即用即走的移动端应用。本文以图书管理系统为例,详细解析了如何将SpringBoot后端与微信小程序前端结合,实现从用

weixin_34232744的博客 393

芋道前端项目部署后刷新 404 的解决办法(Nginx 配置教程)

如果你在部署芋道前端项目就能完美解决!这个方法不仅适用于芋道前端项目,几乎所有的单页面应用部署后刷新报错,都可以这样修复。

一勺菠萝丶的博客 4520

ARM双核锁步DCLS Lockstep技术研究(FPGA实现)

基于《Applying Dual-Core Lockstep in Embedded Processors to Mitigate Radiation-induced Soft Errors》文章总结 RISC-V双核锁步DCLS Lockstep技术参考之前文章: RISC-V双核锁步DCLS Lockstep技术总结_远古架构师alanwu的博客-优快云博客https://blog.youkuaiyun.com/heyuming20062007/article/details/123329537ARM+RIS

heyuming20062007的博客 8730

芋道项目部署:前端写死后端地址 vs Nginx 反向代理

部署这一步,很多人追求“先能跑起来”,然后在生产上留下隐患。你现在主动从“直连后端”升级到“同域反向代理”,其实就是在做正确的工程化。

一勺菠萝丶的博客 1977

revit二次开发环境搭建(2024版)(小白友好)

revit二次开发环境配置,SDK、addin manager和lookup新手友好安装教程

m0_56961251的博客 1423

2024年【MCM/ICM】美国大学生数学建模竞赛优秀论文(免费下载)

美国大学生数学建模竞赛(MCM/ICM)由美国数学及其应用联合会主办,是最高的国际性数学建模竞赛,也是世界范围内最具影响力的数学建模竞赛,一般也指数学建模竞赛。赛题内容涉及经济、管理、环境、资源、生态、医学、安全、等众多领域。竞赛要求三人(本科生和研究生均可参加)为一组,在四天时间内,就指定的问题完成从建立模型、求解、验证到论文撰写的全部工作,体现了参赛选手研究问题、解决方案的能力及团队合作精神。为现今各类数学建模竞赛之鼻祖。

weixin_43608857的博客 1846

记录Ruoyi-vue-pro芋道商城部署过程

相信不少伙伴都知道芋道商城系统,这里就不做介绍,主要是记录如何完整部署Ruoyi-vue-pro芋道商城系统,这里作者部署的是单体,不是分布式微服务,故不记录分布式微服务部署。

andyLyysh的博客 2143

【VSCode Python无法格式化代码】

提示:需要Install Formatter…安装插件autopep8,点击install。出现Format Document。

AIFRZ的博客 1万+

Nginx服务部署及基础配置

①作用:支持七层(应用层)和四层(传输层)反向代理、可做web服务器。②特性:高可靠性、支持热部署、可扩展性好、高并发高性能、单机部署。⑤进程:一个主进程master生成多个worker子进程,worker子进程负责处理工作。

Miraitowa_xu的博客 1804

基于经验模态分解和核主成分分析结合长短期记忆网络EMD-KPCA-LSTM的光伏功率预测算法--Matlab

基于经验模态分解和核主成分分析结合长短期记忆网络EMD-KPCA-LSTM的光伏功率预测算法--Matlab

前程算法屋的博客 629

【UVM实战】第一章:配置UVM环境(以VCS为例),跑通书上的例子(包括清理中间文件方法、使用DVE查看波形方法、命令执行原理探究)

如何配置UVM的VCS运行环境,运行书本上的例子呢?本节将会为你详细解答!

悟已往之不谏 知来者之可追 8140

写给开发人员看的Docker干货,零基础部署nginx mysql springboot

连接到linux # ssh 用户名@ip地址 chaitous-Mac-mini:~ chaitou$ ssh ubuntu@148.70.139.121 ubuntu@148.70.139.121's password: Welcome to Ubuntu 16.04.1 LTS (GNU/Linux 4.4.0-157-generic x86_64) * Documentation: ...

bugpool的博客 5164

ESD防护设计宝典(二十三):ESD与EOS失效差异分析

ESD和EOS是电子制造业面临的两大挑战,随着电子产品向更高集成度、更低工作电压和更高工作频率发展,这一问题将更加突出。根据美国军方上世纪八十年代与可靠性分析中心(RAC)共同建立的现场失效返回程序(FFRP)统计数据,产品现场返回中EOS占比高达46%,而ESD仅占6%,另有6%的案例难以区分是EOS还是ESD。

m0_56451176的博客 322

2019 原创技术干货整理

公众号的文章改整理一下了,老有小伙伴表示文章找不到,确实是这样,公众号的文章看过了没消化,后来再想找到有点难,有的小伙伴机智的收藏了一下,但是因为收藏夹里的东西太多了,后来还是不好找。 其实松哥公众号上的文章,大家都可以直接在松哥博客上搜索,博客右上角有一个搜索功能: 好了,今天我就把 2019 年公众号上的原创干货整理出来,做成索引,方便小伙伴们查找。 Spring Boot 系列 纯 Ja...

江南一点雨的专栏 5818

ESP32开发板使用Arduino实现变成蓝牙鼠标教程

通过这个教程,你可以轻松将ESP32开发板变成蓝牙鼠标。如果你在使用过程中遇到任何问题,或者库没有正常工作,不妨下载我上传的修复版本,再试试看。希望你们能根据这个基础做出更多有趣的蓝牙控制项目!

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 974

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

SpringBoot+Vue政府管理系统从零到部署完整实战指南

前后端分离架构已成为现代管理系统的开发主流,其核心在于将后端服务、前端界面与数据存储解耦,从而提升开发效率与可维护性。基于SpringBoot构建RESTful API,利用Vue实现组件化页面交互,配合MySQL持久化业务数据,构成了典型的B/S架构解决方案。在这一过程中,JWT无状态认证保障了接口安全,RBAC权限模型则实现了细粒度的用户访问控制,这些技术共同支撑起高复用性的后台管理场景。无论是毕业设计还是企业级应用,开发者都需要掌握从数据库设计、接口开发到跨域处理、Nginx部署的全链路技能。本文以政

weixin_34187862的博客 244

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/

【软件开发】Java学习路线

全新Git与GitLab实战课程,从零起步,全面解锁部署与应用技巧!Ps:康师傅版Java更加细致、全面,适合查漏补缺,2024版Java更高效、掌握更快,适合轻松入门,小伙伴们可以根据自己的学习安排自由选择~案例190个+,大厂真题300道+,视频+源码+课件+配套电子书,全网唯一!ZooKeeper:基于最新稳定版Zookeepe讲解,从实践应用到源码内核,无所不包,无所不讲,一套教程让你彻底掌握!大厂面试题2:面试必刷,跳槽大厂神器,40多个题目详细全面讲解,扎实吃透当前的主流Java高级技术!

mseoffice的博客 2344

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

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")

SpringBoot+Vue前后端分离旅游信息咨询网站开发实战

前后端分离架构已成为现代Web开发的标配,其核心思想是通过接口解耦前端展示与后端逻辑,大幅提升开发效率和系统可维护性。SpringBoot作为Java生态中最流行的微服务开发框架,凭借自动配置、快速启动等特性,能高效构建RESTful API;Vue则以其组件化和响应式数据绑定,成为构建交互式前端的优选方案。两者结合广泛应用于信息管理类网站建设。在旅游行业,信息咨询网站需要同时满足内容展示、检索、咨询及轻量互动等需求,SpringBoot+Vue组合既能通过Redis缓存热点数据、JWT实现无状态鉴权,又可

weixin_35815766的博客 138

最新Java学习路线图完整版(适合零基础自学)_java学习路线大全

SpringCloud框架入门到精通全套教程 java微服务架构基础 史上最简单全面的微服务开发教程本知识点内容旨在深度分析服务之间调用逻辑,从剖析RPC底层原理开始,通过手写RPC框架,掌握RPC实现逻辑。通过全方位介绍微服务RPC框架Dubbo,实现Dubbo在各实战场景中的应用。通过剖析Dubbo源码,掌握Dubbo的服务通信、负载均衡、SPI机制及服务治理的实现逻辑。Dubbo教程,分布式服务框架dubbo源码级应用教程。

2401_84281748的博客 1041

SpringBoot2+Vue3+MyBatis-Plus+MySQL8.0智慧图书管理系统开发实战

前后端分离架构已成为现代Web应用的主流范式,而SpringBoot2与MyBatis-Plus的组合则是Java生态中实现高效业务开发的经典搭配。SpringBoot2凭借成熟稳定与丰富的生态支持,为企业级应用提供坚实基础;MyBatis-Plus通过内置CRUD、乐观锁与逻辑删除等特性,大幅简化了数据持久层的开发;MySQL8.0的窗口函数与utf8mb4字符集则为复杂统计与多语言内容提供了有力保障;Vue3的组合式API与响应式系统进一步提升了前端开发体验。这套技术栈在实际项目中如何落地?从图书库存实

weixin_33928137的博客 320

使用Docker部署Spring-Boot项目,神操作!

梳理知识点,是快速提升技术的关键 前面讲过,快速提升自己的技术硬实力其实是有方法的。大致就是梳理知识点+夯实基础+进阶深入学习+实战,下面我会一点点跟大家剖析,本文干货满满,大家仔细阅读。 ①梳理知识必备:互联网主流技术地图 ②梳理知识后,夯实基础乃是刚需 明确说明一下,从互联网招聘需求来看,Java基础扎实一定是招聘方的基本要求,也对自己以后的学习有一定影响。 ③深入进阶学习(28个主流Java知识点“一网打尽”) 1、并发编程 Java并发编程是整个Java开发体系中最难以理解,但也是最

m0_56530263的博客 161

SpringBoot特产电商系统开发实战:从需求拆解到部署上线

电商系统的构建涉及商品管理、订单流转、支付回调、库存扣减等多个核心环节,对于特产类垂直电商而言,还需兼顾规格差异化、产地属性与物流模板的灵活配置。基于SpringBoot生态搭建单体应用,配合合理分层与数据库设计,能够在保证业务复杂度的同时维持开发效率。文章以甘肃特产销售平台为例,梳理了从需求拆解、表结构设计、核心业务实现到Nginx部署上线的完整链路,重点解决订单状态机、支付幂等、乐观锁防超卖及商户数据隔离等工程问题。通过实际踩坑与方案取舍,为开发同类电商项目提供可复用的实践参考,帮助工程师在短时间内掌握

weixin_32612263的博客 245

「吐血整理」2021年最新Java学习路线!内容涵盖初 中 高级硬核干货

Java框架课程内容涉及:Spring、Spring MVC、MyBatis、SVN、Git、Maven、SpringBoot。8. Ajax使用原生JavaScript和Jquery的区别。第十五部分:基于SpringMVC的集成单元测试MockMVC。13. MyBatis、Spring、SpringMVC整合。5.Redis 高级使用(主从复制、哨兵模式、持久化机制)6.Shiro拦截器和Permissions(授权)3.Lucene 索引的维护包括创建、删除、修改操作。

2401_85111576的博客 1006

图文并茂-->带你还原面试现场: 为什么MySQL数据库要用B+树存储索引?

“小史是一个应届生,虽然学的是电子专业,但是自己业余时间看了很多互联网与编程方面的书,一心想进 BAT 互联网公司。话说两个多月前,小史通过了A厂的一面,两个多月后的今天,小史终于等...

hello world! 443

技术文章系列整理(持续更新)

本博客有很多关于性能及测试开发的文章。我试着对你可能感兴趣的一些重要文章进行分类。

7DGroup,让技术更有价值! 1万+
上一篇: SQL优化的魅力!从 30248s 到 0.001s
下一篇: 最近面了 12 个人,发现这个基础题都答得不好
公众号-芋道源码
博客等级 码龄10年 1637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