EXP 一款 Java 插件化热插拔框架

Java的Math类支持哪些函数(二) 阅读详情

👉 这是一个或许对你有用的社群

🐱 一对一交流/面试小册/简历优化/求职解惑,欢迎加入「芋道快速开发平台」知识星球。下面是星球提供的部分资料: 

cb704c0567c32835146a6ec922852268.gif

👉这是一个或许对你有用的开源项目

国产 Star 破 10w+ 的开源项目,前端包括管理后台 + 微信小程序,后端支持单体和微服务架构。

功能涵盖 RBAC 权限、SaaS 多租户、数据权限、商城、支付、工作流、大屏报表、微信公众号等等功能:

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

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

  • 视频教程:https://doc.iocoder.cn

来源:juejin.cn/post/
7267091417029148733


1 前言

多年以来,ToB 的应用程序都面临定制化需求应该怎么搞的问题。

举例,大部分本地化软件厂家,都有一个标准程序,这个程序支持大部分企业的功能需求,但面对世界 500 强等大客户时,他们的特殊需求,厂家通常是无法拒绝的(通常因为订单大,给的多,可背书)。比如使用非标准数据库,业务流程里加入一些安全检查等,回调里加入一些定制字段等;

由此而来的需求,一般有几种解决方案;

  1. 将这个需求做进标准产品里。让这个功能有个配置开关,也可以被其他的客户使用,通常这类需求可能比较“通用”

  2. 由于客户工期时间紧,虽然功能“通用”,但奈何时间不足,无法排进标准产品里,只能使用 git 拉一个标准的客户分支来进行开发,后期可能将其 merge 到标准产品里;

  3. 这个功能太不常见了,无法放到到标准产品里,那就直接拉新的 git 分支开发;

分支开发,他的好处是效率非常快,噼里啪啦一顿改,定制需求就完成了。但是,这种方式会带来一个致命的问题:后期程序升级成本非常巨大。

本地化程序和 saas 服务不同,本地化的程序通常是需要手动升级的,使用分支开发,升级的方式无非就是 merge 分支,解决冲突。

如果改动很小,merge 倒也问题不大。但是如果改动很大,merge 的方式,会带来很大的问题。因为如果举例定制开发的时间久了,当时拉分支改的代码和后面的标准产品迭代代码早就不兼容了,此时,merge 升级就非常困难。

由此,我们思考,到底什么样的方式才能解决这种场景;

目前来看,使用插件机制扩展客户需求,是其中一种方式。其本质用简单一句话概括:主程序预留扩展接口,定制客户实现接口逻辑。

你可以将其理解为一种更复杂的策略模式或者 SPI;只是,插件通常是 classloader 类隔离的。

大概如下图:

439cb3edb1e176c4ccbc05a51c76baa2.jpeg

本文我们假设插件系统是当前解决定制需求痛点的方案之一,那我们今天就来设计一下这个插件系统。

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://github.com/YunaiV/ruoyi-vue-pro

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

2 设计

首先分析需求,插件系统需要哪些功能:

  1. 通常主程序定义接口,插件实现逻辑;即这个功能在主程序里是空的。在客户侧是安装的。那么,我们可能需要一个可插拔的功能,即需要的时候,我们安装,不需要的时候,不安装或者卸载。

  2. 需要热插拔吗?我想不是必须的,但如果每次都需要重启才能调整插件,用户体验会很不好。那我们就加上热插拔吧。

  3. 插件里可以写 servlet or spring rest api 吗?我想是需要的。插件里可以对外新增接口,为定制客户提供新的服务能力。对了,插件还得支持事务,Mybatis ,AOP,RPC 等。

  4. 一个扩展点可以有多个实现,那这个扩展点可以同时存在多个插件吗?我想是需要的,比方说对接短信服务商,a 客户走 s1 厂商,b 客户走 s2 厂商。另外,一个客户可能对同一个扩展点有多个实现,此时可能需要更复杂的路由策略,那么,这个时候,我们可以提供一种机制,支持这种策略。

  5. 插件里的配置怎么办?插件配置通常是可以热更新的,且通常是在一个单独的插件系统里配置的。此时,我们需要提供一个区分于 spring  application.yml 的配置策略,即几个基于插件维度的配置 API。

  6. 出于安全考虑,插件包类型不仅仅支持 jar 包,还需要支持 zip 包。

  7. 插件的技术问题,要支持类隔离,否则,如果插件开发者引入了一个有问题的 lib 或版本不兼容的 lib,将会导致灾难。另外,无法保证各个插件之间的包名完全不同。

需要 7788 差不多了,我们来设计一下编程界面。

  1. 入口 API

public interface ExpAppContext {

    /**
     * 加载插件
     */
    Plugin load(File file) throws Throwable;

    /**
     * 卸载插件
     */
    void unload(String id) throws Exception;

    /**
     * 获取多个扩展点的插件实例
     */
    <P> List<P> get(String extCode);

    /**
     * 简化操作, code 就是全路径类名
     */
    <P> List<P> get(Class<P> pClass);

    /**
     * 获取单个插件实例.
     */
    <P> P get(String extCode, String pluginId);
}

ExpAppContext 接口,作为核心模型,提供以下能力

  1. 安装一个 file 插件,并在 jvm 里生效,返回插件信息,每个插件都有一个 id

  2. 可以根据 id 从 jvm spring 里卸载插件。

  3. 可以根据扩展点 code 获取多个实现,这个返回的实现是一个集合

  4. 可以根据扩展点 code + 插件 id 指定获取多单个实现,这个返回的实现是一个对象。

这几个 API 可以实现插件的基本功能。

我们再添加关于租户的 API

public interface TenantService {
    /**
     * 获取 TenantCallback 扩展逻辑;
     */
    default TenantCallback getTenantCallback() {
        return TenantCallback.TenantCallbackMock.instance;
    }

    /**
     * 设置 callback;
     */
    default void setTenantCallback(TenantCallback callback) {
    }
}

public interface TenantCallback {
    /**
     * 返回这个插件的序号, 默认 0;
     * {@link  cn.think.in.java.open.exp.client.ExpAppContext#get(java.lang.Class)} 函数返回的List 的第一位就是 sort 最高的.
     */
    Integer getSort(String pluginId);

    /**
     * 这个插件是否属于当前租户, 默认是;
     * 这个返回值, 会影响 {@link  cn.think.in.java.open.exp.client.ExpAppContext#get(java.lang.Class)} 的结果
     * 即进行过滤, 返回为 true 的 plugin 实现, 才会被返回.
     */
    Boolean isOwnCurrentTenant(String pluginId);
}

在调用 ExpAppContext#get 时,需要过滤租户实现,还需要对单个租户的多个实现进行排序。用户可以实现自己的 getSort(pluginId) 和 isOwnCurrentTenant(pluginId) 逻辑。

API 有了,我们的编程界面就出来了,他应该是这样的:

public static void main(String[] args) throws Throwable {
        Class<UserService> extensionClass = UserService.class;
        ExpAppContext expAppContext = Bootstrap.bootstrap("exp-plugins/", "workdir-simple-java-app");
        expAppContext.setTenantCallback(new TenantCallback() {
            @Override
            public Integer getSort(String pluginId) {
                return new Random().nextInt(10);
            }

            @Override
            public Boolean isOwnCurrentTenant(String pluginId) {
                return true;
            }
        });
        Optional<UserService> first = expAppContext.get(extensionClass).stream().findFirst();
        first.ifPresent(userService -> {
            System.out.println(userService.getClass());
            System.out.println(userService.getClass().getClassLoader());
            userService.createUserExt();
        });
    }
  1. 我们的扩展点介绍名是UserService,方法名是 createUserExt

  2. 我们使用 Bootstrap 配置工作目录和插件目录,并启动,启动过程中包含调用 load 方法,然后返回一个核心领域对象。

  3. 可以使用 Context 配置租户策略;

  4. 最后我们使用 expAppContext.get().findFirst() 方法,返回一个这个扩展点优先级最高的实现。

读取插件配置 API:

public interface PluginConfig {
    String getProperty(String pluginId, String key, String defaultValue);
}

注意这个 API 和正常的 config  api 不同,他新增了 pluginId 维度,使插件配置之间是互相隔离的。具体的 PluginConfig 还可以根据租户再进行配置隔离。

表面的 API 已经差不多了,内部的实现,需要开始了,比如

  1. 类加载机制,包含 zip jar 的类隔离加载。

  2. 容器注入,需要将插件里代码注入到 spring 里。

  3. 插件的热插拔,怎么 unload,怎么 load,怎么从 spring 里 remove,怎么卸载等等。

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://github.com/YunaiV/yudao-cloud

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

3 开发

具体细节本文不再展开,因为代码都在 github stateis0/exp 项目里,这个项目包含实现代码,example 代码,api 使用,适配 springboot starter,最佳实践等。

项目代码结构依赖:

e157c03bfeae0e06178710524b34f748.jpeg

4 总结

EXP 全称:Extension Plugin 扩展点插件系统;

希望本项目可以帮助你解决本地化软件的定制需求问题。同时,也欢迎为本项目提 issue,pr 等。

项目地址 EXP 扩展点插件系统 for Github [1]

参考资料

[1]EXP 扩展点插件系统 for Github: https://github.com/stateIs0/exp


欢迎加入我的知识星球,全面提升技术能力。

👉 加入方式,“长按”或“扫描”下方二维码噢:

85ff6287cba5af535bb4893a1fa6f3ba.png

星球的内容包括:项目实战、面试招聘、源码解析、学习路线。

60e482e68dbbf9fb7a350d2e59058ccf.png

a9cc82896a473cc79313d388142da1d6.pngf1363a1815aa8176fe17227bbffeaa86.pngda46ee1f8cb82787c4fb734487867319.pnga2f5bdf0b33b8c3c94b86f33ce0f9de9.png

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
JAVA:Spring Boot 集成 PF4J 插件实现模块化 本文介绍了如何在Spring Boot项目中集成PF4J插件框架实现模块化架构。PF4J是一个轻量级的Java插件框架,支持插件热插拔、运行时动态加载、与宿主应用解耦交互。文章详细展示了集成步骤:定义扩展点接口、配置PluginManager、开发插件工程、部署调用插件等关键环节。该方案适用于需要动态扩展业务功能的场景,如SaaS系统租户定制、工具类应用插件市场、企业级平台第三方扩展等。 阅读详情

相关推荐

【信息科学与工程学】【数据中心】第三十二篇 云数据中心的计算/存储/网络的核心挑战01

状态方程: SOCk+1​=SOCk​−Qn​ik​Δt​;: 三相电流变换到αβ坐标系: iα​=32​​(ia​−21​ib​−21​ic​), iβ​=32​​(23​​ib​−23​​ic​). 计算瞬时有功功率p和无功功率q,经低通滤波器分离直流分量,反变换得基波电流,差值即为谐波指令。: 节点i的信念 bi​(xi​)=ϕi​(xi​)∏j∈N(i)​mji​(xi​), 消息 mij​(xj​)=∑xi​​ϕi​(xi​)ψij​(xi​,xj​)∏k∈N(i)\j​mki​(xi​).

weixin_49199313的博客 221

插件化开发探索与实践

插件化开发入门

举世誉之而不加劝,举世非之而不加沮,定乎内外之分,辩乎荣辱之境,斯已矣。 4045

Nacos漏洞利用工具V3.0.5实战:从认证绕开到内存马植入的全流程指南

本文详细解析了Nacos漏洞利用工具V3.0.5在实战中的应用,从认证绕开到内存马植入的全流程。文章深入探讨了如何利用Nacos的历史漏洞,如默认口令、认证逻辑绕过、Derby SQL注入及Jraft反序列化,实现权限提升与持久化控制,并提供了防御视角与加固建议,旨在帮助安全人员理解攻击链以加强防护。

h6j7k8l9p0的博客 485

利用Java的反射和动态代理实现插件化架构

需要注意的是,插件化架构的实现需要充分考虑安全性和稳定性,并进行合理的插件隔离和沙箱机制,以防止插件之间的相互影响和不良行为。利用Java的反射和动态代理可以实现插件化架构的核心功能,包括插件的加载、实例化、调用和卸载等。4. 插件代理:通过动态代理,为每个插件创建代理对象,代理对象可以拦截对插件方法的调用,并进行一些前置或后置处理。6. 插件卸载:当插件不再需要时,可以通过插件加载器进行插件的卸载操作,释放资源并从插件列表中移除。2. 插件的实现:编写插件实现类,实现插件接口,并提供相应的功能实现。

m0_75198698的博客 948

FunASR与FreeSWITCH融合实战:从零构建高精度语音质检系统

本文详细介绍了如何将FunASR与FreeSWITCH融合,构建高精度语音质检系统。通过实时语音听写技术,结合热词定制和多模型切换,实现客服中心等场景的自动化质检,显著提升识别准确率和效率。系统架构涵盖音频采集、识别处理和业务应用三层,支持负载均衡和性能优化,适用于工业级部署。

weixin_29198045的博客 980

Coursera | 离散数学概论(北大)| quiz答案

Coursera离散数学概论quiz答案Week1:数理逻辑:基本概念Week2:数理逻辑:命题逻辑及形式系统Week3:数理逻辑:谓词逻辑及形式系统Week4:集合论:集合代数   先放下Coursera上找的离散数学部分相关课程:   btw.线上学习拿证书还有很多,MOOC、edm等都可。   博主选了北京大学离散数学概论Discrete Mathematics Generality。Mooc上貌似也有,但是上课时间貌似不如Coursera灵活,Coursera时间自己调度,规定时间上完即可。目前课

小鱼干的博客 4129

java 插件式架构_springboot插件式开发框架

介绍该框架主要是集成于springboot项目,用于开发插件式应用的集成框架。核心功能插件配置式插拔于springboot项目。在springboot上可以进行插件式开发, 扩展性极强, 可以针对不同项目开发不同插件, 进行不同插件jar包的部署。可通过配置文件指定要启用或者禁用插件。支持上传插件和插件配置文件到服务器, 并且无需重启主程序, 动态部署插件、更新插件。支持查看插件运行状态, 查看插...

weixin_39940901的博客 2139

计算机视觉(相机标定;内参;外参;畸变系数)

目录 一、预备知识 1、坐标系变换过程(相机成像过程) (1)相机坐标系转换为图像坐标系(透视投影变换遵循的是针孔成像原理) (2)齐次坐标的引入原因:(为什么引入齐次坐标???) 2、内参与外参矩阵的构成 3、畸变参数 二、相机标定 1、张正友标定法(光学标定)及其求解思路 2、求解内参矩阵与外参矩阵的思路: (1)计算内参与外参矩阵的乘积M (2)求解内参矩阵A (3)求解外参矩阵(R1 R2 T) 三、参数优化 1、L-M算法 2、相机标定步骤 四、相关代码及其实验结.

QYJ_WORKHARDING的博客 6万+

EXP:打造灵活高效的Java插件化热插拔框架

EXP:打造灵活高效的Java插件化热插拔框架 项目地址:https://gitcode.com/gh_mirrors/exp/exp 在这个快速迭代的时代,软件系统的可扩展性和灵活性至关重要。【EXP】是一个专为Java开发者设计的强大的插件化热插拔框架,它允许你在无需重启应用程序的情况下,轻松地添加、修改或移除功能。由钉钉开源社区推出,EXP旨在简化B端大客户的定制需求,提高开发效率,并提供一...

gitblog_00050的博客 671

从婴儿学步到工业级应用:VLA的‘隐式标定‘原理通俗图解

本文深入解析VLA(Vision-Language-Action)模型的'隐式标定'原理,通过类比婴儿学习机制,揭示其如何替代传统手眼标定技术。文章对比了工业机器人传统标定与VLA数据驱动方法的差异,并可视化神经网络注意力机制,展示其在空间关系编码上的突破性进展。最后探讨了VLA在工业应用中的优势与混合架构解决方案。

pz890123456的博客 325

mpv 源码深度解析:从 MPlayer 遗产到现代媒体播放器架构

做减法优于做加法:不值得维护的功能就移除(DVD 菜单、流缓存等)单线程事件驱动:核心逻辑在单线程中运行,通过 dispatch 队列处理并发分离关注点:demuxer 线程、VO 线程、脚本线程各司其职质量优先:使用 GPU 着色器而非固定功能硬件,默认软件解码(更可靠)可嵌入性:libmpv API 让 mpv 可以作为库嵌入其他应用mpv 是一个用纯 C 实现的、工程质量极高的媒体播放器。它的代码库展示了一个事实:C 语言完全可以通过良好的架构设计来实现复杂的多媒体系统。

世界那么大,我想去看看~【随心更新,看世界去了😄】 95

探索高效灵活的插件化框架:EXP

探索高效灵活的插件化框架:EXP 在现代软件开发中,灵活性和可扩展性是衡量一个系统成功与否的关键指标。今天,我们要向大家推荐一款名为EXP的Java插件化热插拔框架,它不仅能够帮助开发者轻松实现系统的扩展和定制,还能在运行时动态管理插件,极大地提升了系统的灵活性和可维护性。 项目介绍 EXP,全称Extension Plugin,是一个专为Java应用设计的扩展点插件系统。它允许主应用定义扩展点接...

gitblog_00379的博客 1132

开源大语言模型GLM-5:从架构解析到部署微调全指南

大语言模型(LLM)作为当前人工智能领域的核心技术,通过海量数据预训练获得强大的语言理解和生成能力。其核心原理基于Transformer架构,通过自注意力机制捕捉长距离依赖关系,在通用语言任务上展现出卓越性能。这一技术价值在于为开发者提供了强大的基座模型,能够通过微调快速适配特定领域需求,显著降低AI应用开发门槛。在实际应用场景中,大模型被广泛用于智能对话、代码生成、内容创作等任务。本文以开源项目GLM-5为例,深入探讨其架构特点,并详细介绍了如何使用LoRA技术进行参数高效微调,以及通过量化优化实现模型在

weixin_28683165的博客 351

Java 热门开源项目

目录组件分布式网关分布式配置中心和注册中心分布式权限认证分布式日志链路追踪分页式监控告警分布式任务调度平台分布式消息队列分布式搜索分布式缓存分布式锁分布式熔断限流分页式ID生成分布式事务分布式灰度发布数据库大数据邻域模型线程池与多线程数据同步架构管理系统后台框架博客系统电商系统反应式系统消息系统考试系统测试系统DevopsJava 教程源码PythonAI图片识别Nginx前端FEAndroid跨平台开发开源工具教程参考文档:Book 组件 hutool Java工具类 forest 轻量级HTTP客户端

zhaoyang10的专栏 1万+

UNet + Shuffle Attention:一种轻量高效的医学图像分割注意力机制

本文提出了一种轻量高效的医学图像分割方法,将Shuffle Attention模块嵌入UNet的上采样路径中。Shuffle Attention通过通道分组注意力机制增强关键特征,同时保持计算轻量化。该方法在上采样后应用注意力模块,有效融合高层语义与低层细节,计算开销小且易于部署。实验表明,该模型在保持UNet原有优势的基础上,通过注意力机制提升了特征聚焦能力,适用于多种图像分割任务。未来可进一步结合空间注意力或Transformer模块以增强模型性能。

Henry的博客 240

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")

Github Gitee Java开发 热门中后台开源项目

架构师技术图谱可扩展,可靠且高性能的大型系统背后的模式12个低代码开源项目

Java后端技术栈 1473

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。

从零开始实现一个插件化框架(三) - 完结篇

其实客户端开发的知识点就那么多,面试问来问去还是那么点东西。所以面试没有其他的诀窍,只看你对这些知识点准备的充分程度。so,出去面试时先看看自己复习到了哪个阶段就好。然而Android架构学习进阶是一条漫长而艰苦的道路,不能靠一时激情,更不是熬几天几夜就能学好的,必须养成平时努力学习的习惯。贵在坚持!一个人可以走的很快,但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!

2401_83977554的博客 1044

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

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

从零开始实现一个插件化框架(三) - 完结篇(1)

最后为了帮助大家深刻理解Android相关知识点的原理以及面试相关知识,这里放上相关的我搜集整理的24套腾讯、字节跳动、阿里、百度2019-2021BAT 面试真题解析,我把大厂面试中常被问到的技术点整理成了视频和PDF(实际上比预期多花了不少精力),包知识脉络 + 诸多细节。还有 高级架构技术进阶脑图 帮助大家学习提升进阶,也节省大家在网上搜索资料的时间来学习,也可以分享给身边好友一起学习。Android 基础知识点Java 基础知识点Android 源码相关分析常见的一些原理性问题。

2401_83977554的博客 993

基于Java的插件化集成项目实践

在开始之前,先看下插件系统的整体框架插件开发模拟环境“插件开发模拟环境”主要用于插件的开发和测试,一个独立项目,提供给插件开发人员使用。开发模拟环境依赖插件核心包、插件依赖的主程序包。插件核心包-负责插件的加载,安装、注册、卸载插件依赖的主程序包-提供插件开发测试的主程序依赖主程序插件的正式安装使用环境,线上环境。插件在本地开发测试完成后,通过插件管理页面安装到线上环境进行插件验证。可以分多个环境,线上dev环境提供插件的线上验证,待验证完成后,再发布到prod环境。....................

分享技术干货和灵感、推荐新书和好玩的项目、分享Java面试题 4387

如何在Java应用中实现灵活的插件架构

插件架构不仅使应用能够在不修改核心代码的情况下进行功能扩展,还能够支持动态加载和卸载插件,提高了应用的灵活性和维护性。OSGi(Open Service Gateway Initiative)是一个用于模块化 Java 应用的框架,它提供了动态模块管理的能力,支持插件的动态加载和卸载。插件是独立的模块,提供特定的功能或服务,并可以在运行时动态地加载和卸载。它应提供动态加载插件的功能,并在需要时调用插件的方法。接口定义了插件的基本行为和服务。提供详细的文档和支持,以帮助用户和开发者了解插件的功能和使用方法。

微赚淘客系统开发者博客 986

Java中的插件系统

插件系统是一种允许应用程序通过外部组件来扩展功能的机制。通过这种机制,开发者可以在不修改原有代码的情况下,动态地添加、删除或更改应用程序的功能。这种架构的优势在于其高扩展性和灵活性,使得软件能够快速响应变化的需求。Java中的插件系统提供了多种实现方式,每种方式都有其独特的优势和适用场景。通过合理选择和组合这些技术,可以构建出高扩展性和高可靠性的应用程序。在开发过程中,我们不仅要关注技术实现,还要考虑系统的可维护性和可扩展性。希望本文能够为你在设计和实现插件系统时提供一些有价值的参考。

weixin_46372265的博客 1075

插件框架PF4J-从理论到实践

pf4j是轻量级的插件框架,可以简单的实现业务个性化。列举了作者的思考,例如如何满足租户场景,如何处理依赖jar等。

陈海龙的格物之路 3767

【最佳实践】FIT框架:插件化架构如何彻底解决大型项目依赖管理难题?

在 FIT 框架的开发模式下,类加载隔离机制天然保证插件及其所依赖的二方包、三方包是与其他插件所隔离的,尽管此时两个插件同时依赖了不同版本的同一库,它们之间也不会产生任何冲突,可以根据需要为插件引入相应版本的依赖,无需进行版本的统一。FIT 框架的核心架构是插件化开发,通过自定义类加载器实现了插件间的类隔离,同时插件通过依赖接口的方式来实现插件间协作。插件可以依赖插件服务,是插件服务的具体实现,不同插件可以实现同一个插件服务,从而实现功能的多态,且插件之间互相隔离,互不干扰。

openDataStorage的博客 1143
上一篇: Spring Boot 设置动态定时任务,千万别再写死了~
下一篇: 如何设计一个安全好用的OpenApi
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