高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货，必收藏】！

普通网友 普通网友 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 400+累计阅读 414平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄8年
关注
原创 最新推荐文章于 2026-07-26 07:37:06 发布 414 阅读 AI 写同款· GEO 优化 ›
如何进行微服务的技术选型？ 我们都知道，现在在微服务市场比较流行的有 2 大框架，一个是 Ali 的 Dubbo，一个是 SpringCloud。两者孰优孰劣一直是一个比较令人头疼的问题。接下来我们通过一篇文章探讨下如何进行微服务的技术选型，给企业技术团队添砖加瓦。 阅读详情

一.Dubbo

Dubbo，是阿里巴巴服务化治理的核心框架，并被广泛应用于阿里巴巴集团的各成员站点(阿里巴巴现在使用架构为HSF)。 于2012-10-24最后版本2.5.3成为最后一版本，由当当接手维护，命名为dubbox；2017年突然继续dubbo进行维护。

13894260-fe06cd57c4e21c49
高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货】
  • Dubbo 核心部件:
  • Provider： 暴露服务的提供方。
  • Consumer：调用远程服务的服务消费方。
  • Registry： 服务注册中心和发现中心。
  • Monitor： 统计服务和调用次数，调用时间监控中心。（dubbo的控制台页面中可以显示）
  • Container：服务运行的容器。

1.1 Dubbo服务集群-集群容错模式

13894260-cab1523f38cb968c
高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货】

架构技术选型与设计-微服务选型

13894260-fdca30f07169dc56
高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货】

架构技术选型与设计-DUBBO

13894260-5f8038b954b39924
高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货】

架构技术选型与设计-DUBBO

13894260-2e6e39ec0fc7da8f
高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货】

二. Spring Cloud

Spring Cloud，从命名我们就可以知道，它是Spring Source的产物，Spring社区的强大背书可以说是Java企业界最有影响力的组织了，除了Spring Source之外，还有Pivotal和Netfix是其强大的后盾与技术输出。其中Netflix开源的整套微服务架构套件是Spring Cloud的核心。

如果拿Dubbo与Netflix套件做对比，前者在国内影响力较大，后者在国外影响力较大，在背景上可以打个平手；但是若要与Spring Cloud做对比，由于Spring Source的加入，在背书上，Spring Cloud略胜一筹，但是在高并发上dubbo曾经在阿里的运营中实际承载过过亿用户同时在线的，而Netflix 并没有实际的上线应用中体现过。

Spring Cloud下面有19个子项目（可能还会新增）分别覆盖了微服务架构下的方方面面，服务治理只是其中的一个方面，一定程度来说，Dubbo只是Spring Cloud Netflix中的一个子集。但是在选择框架上，方案完整度恰恰是一个需要重点关注的内容，当然从高可用和高并发一起考虑，Spring Cloud 无疑是最佳选择。

2.1 Spring Cloud 工具框架

1、Spring Cloud Config 配置中心，利用git集中管理程序的配置。

2、Spring Cloud Netflix 集成众多Netflix的开源软件

3、Spring Cloud Bus 消息总线，利用分布式消息将服务和服务实例连接在一起，用于在一个集群中传播状态的变化

4、Spring Cloud for Cloud Foundry 利用Pivotal Cloudfoundry集成你的应用程序

5、Spring Cloud Cloud Foundry Service Broker 为建立管理云托管服务的服务代理提供了一个起点。

6、Spring Cloud Cluster 基于Zookeeper, Redis, Hazelcast, Consul实现的领导选举和平民状态模式的抽象和实现。

7、Spring Cloud Consul 基于Hashicorp Consul实现的服务发现和配置管理。

8、Spring Cloud Security 在Zuul代理中为OAuth2 rest客户端和认证头转发提供负载均衡

9、Spring Cloud Sleuth SpringCloud应用的分布式追踪系统，和Zipkin，HTrace，ELK兼容。

10、Spring Cloud Data Flow 一个云本地程序和操作模型，组成数据微服务在一个结构化的平台上。

11、Spring Cloud Stream 基于Redis,Rabbit,Kafka实现的消息微服务，简单声明模型用以在Spring Cloud应用中收发消息。

12、Spring Cloud Stream App Starters 基于Spring Boot为外部系统提供spring的集成

13、Spring Cloud Task 短生命周期的微服务，为SpringBooot应用简单声明添加功能和非功能特性。

14、Spring Cloud Task App Starters

15、Spring Cloud Zookeeper 服务发现和配置管理基于Apache Zookeeper。

16、Spring Cloud for Amazon Web Services 快速和亚马逊网络服务集成。

17、Spring Cloud Connectors 便于PaaS应用在各种平台上连接到后端像数据库和消息经纪服务。

18、Spring Cloud Starters （项目已经终止并且在Angel.SR2后的版本和其他项目合并）

19、Spring Cloud CLI 插件用Groovy快速的创建Spring Cloud组件应用。

Spring Cloud共集成了19个子项目，里面都包含一个或者多个第三方的组件或者框架！

2.2 Spring cloud 实现采用的技术

1、spring cloud ： 一个云应用工具，为云应用开发的配置管理、服务发现、断路器、智能路由、微代理、控制总线、全局锁定、决策竞选、分布式会话和集群状态管理等操作

2、spring cloud config ：配置管理开发工具包

3、 spring cloud Bus ：事件消息总线用于集群（例如：配置变化时间）中传播状态变化，与spring cloud config 联合实现热部署

4、 spring cloud Netflix Eureka ： 云端负载均衡基础，一个基于Rest的服务，用于定位服务，以实现云端的负载均衡和中间层服务器的故障转移

5、 spring cloud Netflix Hystrix ： 容错管理工具，旨在通过控制服务和第三方库的节点，从而对延迟和故障提供更强大的容错能力

6 、 Netflix ZUUL： 边缘服务工具，提供动态路由、监控、弹性、安全等边缘服务

7、 spring cloud sleuth ：日志收集工具包、封装Purpose 、Zipkin和Trace

8、 Spring Cloud Security ： 安全工具包，为应用程序添加安全控制，主要是OAuth2

9、 spring cloud turbine ：聚合服务器发送时间流，监控集群下Netflix 和 metrics 情况

2.3 Spring cloud 规划设计

13894260-0325ef9dc3392b4e
高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货】
13894260-80790f6cecb92816
高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货】
13894260-15fdc30f47da2c67
高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货】

2.4 Spring cloud 配置中心

13894260-7c45e654e2e2385e
高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货】

2.5 Spring cloud 注册中心

13894260-450ad08de2744eeb
高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货】

2.6 Spring cloud 网关

服务路由、安全认证、会话共享、客户端负载均衡、统一异常处理、跨域请求

13894260-bfd902a155ceced1
高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货】

2.7 Spring cloud 断路由

13894260-c3fd97c9cdd4839d
高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货】
13894260-81a45ac9b16a1011
高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货】

最后

欢迎大家进我的技术交流群【Java高级互联网架构：964357187】点击进入，有任何问题都可以在群里提出哦，群内有就职阿里、京东等一线互联网公司大佬给大家解答技术问题，欢迎大家进群一起交流学习！

13894260-86377944465531b2
高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货】
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Java 微服务框架选型 关于 Dubbo 和 Spring Cloud 的相关概念和对比，上面已经叙述的很清楚了，我个人比较倾向于 Spring Cloud，原因就是真正的微服务框架、提供整套的组件支持、使用简单方便、强大的社区支持等等，另外，因为考虑到 .NET/.NET Core 的兼容处理，RPC 并不能很好的实现跨语言（需要借助跨语言库，比如 gRPC、Thrift，但因为 Dubbo 本身就是“gRPC”，在 Dubbo 之上再包一层 gRPC，有点重复封装了），而 HTTP REST 本身就是支持跨语言实现。 阅读详情

相关推荐

选型之前先立尺子：微服务五大核心能力、注册中心十维评估与四大框架的工程取舍

技术选型最难的不是比较功能清单，而是先立好尺子。本文从微服务必须回答的五个问题出发，梳理五大核心能力与三类支撑能力，确立核心组件完备性与关键要素实现难度两把尺子，并给出加权评分与敏感性检验方法；继而对Consul、ZooKeeper、etcd、Eureka、Nacos做十维评估，用仿真实测揭示Eureka默认摘除宕机实例平均约需240秒、跨机房分区时就近路由比CAP取向更关键；再横向对比Spring Cloud、Dubbo、gRPC、Istio的五维能力，给出选型决策树、混搭迁移与演进建议。

曾经“等你生日那天”都遥远得像未来，如今却可欢愉的挥手说“下个十年见” 169万+

微服务架构下该如何技术选型呢？

点击上方“程序猿技术大咖”，关注并选择“设为星标”回复“加群”获取入群讨论资格！一、前言为了实现基于微服务开发的产品，或者说为了将单体应用重构为微服务架构时，将面临着众多技术框架的选择。大...

xcbeyond|疯狂源自梦想，技术成就辉煌 1384

一张微服务地图的十年演进：Spring Cloud 核心、扩展与工具组件的定位、原理与选型

本文把 Spring Cloud 当作一张微服务地图来读：先说明它是由 Commons 抽象层、实现层和 Boot 装配层构成的发行版，再沿一次请求梳理注册发现、负载均衡、声明式调用、容错限流、网关、配置、追踪与总线七类核心组件的原理与换代，并扩展到云平台、服务网格、消息流、批处理、安全与周边生态。仿真实测：默认参数下实例宕机平均 242 秒才被感知，优雅下线降到 47 秒；一个慢实例让轮询的 P99 达 49 秒，P2C 仅 203 毫秒。最后给出退场替代表、技术栈组合、升级路线和决策树。

曾经“等你生日那天”都遥远得像未来，如今却可欢愉的挥手说“下个十年见” 169万+

基于微服务技术选型

微服务下的全家桶选择 微服务框架主体springboot与springMVC Spring MVC提供了⼀种轻度耦合的⽅式来开发web应⽤ Spring Boot实现了⾃动配置，降低了项⽬搭建的复杂度 独⽴运⾏的Spring项⽬ 提供starter简化Maven配置 免XML复杂⽽冗余的设计思想 RPC调⽤...

qq_38480786的博客 277

招财牛猫|股社区|猫笔刀公众号历史文章13-21年（含评论），投资内容 收藏学习

招财大牛猫|股社区|猫笔刀公主号历史文章13-21年（含评论）

ZhaoCaiDaNiuMao的博客 7242

Codesys电子凸轮从入门到应用：手把手教你用MC_CamIn/MC_CamOut实现主从轴同步

本文详细介绍了如何在Codesys平台上使用MC_CamIn和MC_CamOut功能块实现电子凸轮的主从轴同步控制。从环境配置、轴使能到凸轮表创建与动态切换，提供了完整的程序编写指南和调试技巧，帮助工程师快速掌握工业自动化中的高精度运动控制技术。

weixin_26878995的博客 277

高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货

一.Dubbo Dubbo，是阿里巴巴服务化治理的核心框架，并被广泛应用于阿里巴巴集团的各成员站点(阿里巴巴现在使用架构为HSF)。 于2012-10-24最后版本2.5.3成为最后一版本，由当当接手维护，命名为dubbox；2017年突然继续dubbo进行维护。 Dubbo 核心部件: Provider： 暴露服务的提供方。 Consumer：调用远程服务的服务消费方。 Registry： 服务注册中心和发现中心。 Monitor： 统计服务和调用次数，调用时间监控中心。（dubbo的

GQH498的博客 1008

《Ventoy 制作系统安装 U 盘的具体步骤》

然后您可以在电脑的磁盘管理中对 U 盘进行快速格式化，选择 FAT32 或 NTFS 文件系统。至此，Ventoy 系统安装 U 盘就制作完成了。您可以在需要安装系统的电脑上，从 U 盘启动，然后选择相应的系统镜像进行安装。安装完成后，将您需要的操作系统镜像文件（如 Windows、Linux 等的 ISO 格式镜像）复制到 U 盘的根目录。在安装程序中，选择您插入的 U 盘设备，确保选择正确，以免误操作。2. 确认选择的 U 盘盘符正确，防止误操作导致其他磁盘数据丢失。点击“安装”按钮，等待安装完成。

jiyiwangluokeji的博客 2674

dubbo 热部署_高并发、高可用、微服务架构选型Dubbo与Spring Cloud【纯干货】

一.DubboDubbo，是阿里巴巴服务化治理的核心框架，并被广泛应用于阿里巴巴集团的各成员站点(阿里巴巴现在使用架构为HSF)。 于2012-10-24最后版本2.5.3成为最后一版本，由当当接手维护，命名为dubbox；2017年突然继续dubbo进行维护。Dubbo 核心部件:Provider： 暴露服务的提供方。Consumer：调用远程服务的服务消费方。Registry： 服务注册中心和...

weixin_42475535的博客 528

RTL优化与PPA分析：数字电路设计的关键技术

在数字集成电路设计中，RTL（寄存器传输级）优化是提升芯片性能、降低功耗和减小面积的核心技术。通过PPA（Power-Performance-Area）指标的平衡，工程师可以在不同时序约束下实现设计的最优化。本文基于Synopsys Design Compiler和开源工具Yosys的实验数据，展示了RTL优化在算术单元和控制逻辑中的显著效果，特别是在乘法器和除法器等复杂运算模块中。文章还探讨了AI辅助工具在RTL优化中的应用潜力，为数字电路设计提供了实用的技术参考和工程实践建议。

weixin_42186387的博客 621

Xilinx_JESD204B

Xilinx_JESD204B_AXI配置 说明：通过FPGA的高速数据接口JESD204B对AD9625进行高速采集。 环境：Vivado2018.3。 IP核：JESD204(7.2)。 参考手册：pg066_jesd204 v7.2。 资料以及IP_licence：JESD204B AXI协议资料：AXI 文章目录JESD204B概述JESD204B接口术语JESD204B 层JESD204B_AXI介绍AXI介绍JESD204B__AXI_Lite接口AXI-Lite接口介绍AXI-Lite接口信号

Crazzy_M的博客 1万+

Java微服务框架选型，Dubbo和Spring Cloud全解析，满满的干货

由于文案过于长，在此就不一一介绍了，这份Java后端架构进阶笔记内容包括：Java集合，JVM、Java并发、微服务、SpringNetty与 RPC 、网络、日志 、Zookeeper 、Kafka 、RabbitMQ 、Hbase 、MongoDB、Cassandra 、Java基础、负载均衡、数据库、一致性算法、Java算法、数据结构、分布式缓存等等知识详解。本知识体系适合于所有Java程序员学习，关于以上目录中的知识点都有详细的讲解及介绍，掌握该知识点的所有内容对你会有一个质的提升，

2301_82242296的博客 1371

【Nginx学习】5步揭秘Nginx邮件代理模块：邮件代理服务器的功能与实现

Nginx的邮件代理模块（Mail Proxy Module）允许Nginx作为邮件代理服务器，支持SMTP、POP3和IMAP协议。这使得Nginx可以作为一个高性能的邮件网关，用于过滤垃圾邮件、病毒扫描、负载均衡等任务。简单来说，Nginx在这里就像是一个邮递员，负责将邮件从发件人手中安全、快速地送到收件人手中。通过上述的解析，我们可以看到Nginx在邮件代理模块中的设计和实现。从配置解析、连接处理，到协议处理、SSL/TLS加密和日志记录，每一步都至关重要。

java专栏 1314

使用spring cloud搭建微服务框架

bubbo+zookeeper制作的基于dubbo的微服务框架，可以说算是有点过时了，我们先来了解一下什么是微服务。 　　微服务就是对某个应用系统的每个API进行有效的拆分，然后通过某种连接方式，用以提供给其他应用系统调用的API的服务，在调用过程中实现和解决了一系列问题的综合就是微服务架构 　　顾名思义，微服务得从两个方面去理解，什么是"微"、什么是"服务"。 　　微 ...

安余生的博客 8258

SAP-ABAP：新手入门篇——从0到1写出你的第一个ABAP Hello World程序并完成调试运行

本文是ABAP开发入门指南，详细介绍如何创建并运行第一个"Hello World"程序。主要内容包括：通过SE38事务码进入ABAP编辑器；创建以Z/Y开头的程序并保存为本地对象；编写简单的WRITE输出语句；完成语法检查、激活和执行流程；以及初步体验调试功能。文章特别强调ABAP开发的规范要求，如程序命名规则、激活与保存的区别等，并提供了详细的步骤说明和常见问题提示，帮助零基础开发者快速上手ABAP编程。

baidu_35680696的博客 483

人工智能训练师三级考试备考全攻略｜报名条件+真题+补贴申领一站式通关（2026版）

本专栏是人工智能训练师三级考证最完整的备考指南，共77篇文章，覆盖从职业认知、报名实操、AI基础知识、数据标注、模型训练测试部署、考前冲刺到考后进阶的全链路。本导读按模块整理了全部文章链接，帮你快速定位所需内容。人工智能训练师是国家认定的正式职业，证书可在osta.mohrss.gov.cn查询，三级证书可申领最高3120元技能补贴。

白话机器学习 1811

Spring MVC & Boot & Cloud 系列干货，2019最新版，速度收藏！

Spring MVC & Boot & Cloud 系列干货，2019最新版，速度收藏！ 以下是Java技术栈微信公众号发布的关于 Spring/ Spring MVC/ Spring Boot/ Spring Cloud 的技术干货，本文长期更新。 Spring Boot 系列 什么是 Spring Boot? 告诉你，Spring Boot 真是个牛逼货！ ...

yangzhihong650的博客 310

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")

Spring Cloud 和 Dubbo，到底用哪个好？

Spring Cloud是http协议传输，带宽会比较多，同时使用http协议一般会使用JSON报文，消耗会更大dubbo的开发难度较大，原因是dubbo的jar包依赖问题很多大型工程无...

Java技术栈，分享最主流的Java技术 2569

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

阿里新框架发布！干掉Spring Cloud，换下Dubbo，微服务王者来了！

目前，但凡谈及微服务技术选型，就必然会遇到一个两难的抉择，到底该采用Dubbo，还是该选择Spring Cloud呢？当初阿里于2017年宣布重新开源Dubbo，近年来Dubbo发展速度和...

架构师小秘圈 819

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。

Spring Cloud 与 Dubbo，哪个更好?

Spring cloud 与 Dubbo 的区别，哪个更好些？不止网上，就连面试的时候也经常被提及。很多网友都支持 Spring cloud 全家桶。毕竟一站式解决方案，社区更新非常快，...

weixin_45583158的博客 461

Java微服务RPC选型Dubbo还是SpringCloud?

本文介绍了主流RPC框架的分类及特点，包括绑定语言平台的Dubbo、Motan、Spring Cloud和跨语言平台的gRPC、Thrift。Dubbo和Motan仅支持Java，提供基础RPC功能；Spring Cloud提供完整的微服务解决方案但性能较低；跨语言的gRPC和Thrift支持多语言通信，gRPC采用HTTP/2和ProtoBuf更高效。选择时需考虑语言支持、性能需求及功能完整性。此外，各框架通过Sidecar组件正逐步扩展多语言支持，未来语言不再是使用限制。开发者应根据业务场景和技术需求综

JavaEdge全是干货的技术号 1945

到底用Spring Cloud 还是 Dubbo ？

2020年都快过完了 还没用过微服务吗？中台架构还只是听说过？前不久的双十一，天猫订单处理峰值达到58.3万笔/秒，刚过去的双十二，数据量高达1200万+。让你架构一个能支撑淘宝天猫双1...

Java后端技术 548

【夯实Spring Cloud】Dubbo沉睡5年，Spring Cloud开始崛起！

通常而言，微服务架构是一种架构模式或者说一种架构风格，它提倡将单一应用程序划分成一组小的服务，每个服务运行在其独立的进程中，服务之间互相协调、互相配合，为用户提供最终的价值。服务之间采用轻量级的通信机制（通常是基于HTTP的RESTful API）。每个服务都围绕着具体业务进行构建，并且能够被独立地部署到生产环境、类生产环境等。另外，应尽量避免统一的、集中式的服务管理机制，对具体的一个服务而言，...

1万+

是Dubbo不香了吗？阿里为啥又搞一套Spring Cloud Alibaba？

11 月 11 日零点刚过 26 秒，天猫双十一订单峰值达到58.3万笔/秒（如丝般顺滑），30分钟后双十一总成交额突破3723 亿。阿里内部是如何应对双十一这种高并发、大流量的场...

Java后端技术 615
上一篇： 北京面试：Java程序员一天收33个面试通知，面试经验让你弯道超车
下一篇： 让你的系统更安全--用枚举enum替代int常量
点赞 0
评论 0
书签 书签 2
普通网友
普通网友
博客等级 码龄8年 342粉丝 68原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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