微信支付的软件架构,到底有多NB!

SpringBoot校园共享单车系统开发实践 共享单车系统作为智慧校园的重要组成部分,通过物联网技术实现车辆智能调度与管理。其核心技术原理在于结合SpringBoot微服务架构与分布式算法,构建高并发、高可用的租赁平台。在工程实践中,这类系统需要解决动态供需匹配、智能路径规划等关键技术难题,特别适合高校等封闭场景的短途出行需求。本文以校园共享单车管理系统为例,详解如何利用SpringBoot整合Redis缓存、MQTT协议等组件,实现包括智能锁控制、动态计价等核心功能模块。其中涉及的微服务架构设计和数据库分片策略,对开发同类分布式系统具有普适参考价值。 阅读详情

本文原文由微信客户端高级工程师方秋枋原创发表于WeMobileDev公众号,收录时有修订和加工,感谢作者的无私分享。

前言:

作为一个重要业务,微信支付在客户端上面临着各种问题。其中最核心问题就是分平台实现导致的问题:

iOS 和安卓实现不一致
容易出 Bug

通过沟通保证不了质量

扩展性差,无法快速响应业务需求
需求变更迭代周期长

数据上报不全面

质量保障体系不完善
缺少业务及设计知识沉淀

协议管理松散

缺少统一的自动化测试

用户体验不一致

比如下图就是之前安卓和 iOS 没有统一前的收银台。

在这里插入图片描述

为了解决分平台实现这个核心问题,并解决以往的技术债务。我们建立起了一整套基于 C++ 的跨平台框架,并对核心支付流程进行了重构。

微信支付跨平台从 iOS 7.0.4 版本起, 安卓从 7.0.7 版本起全面覆盖。

线上效果指标

以 iOS 上线情况为例:

Crash 率

上线前后 Crash 率保持平稳,没有影响微信稳定性,跨平台支付无必现 Crash,做到了用户无感知切换。

举个例子,大家可以用微信发一笔红包,拉起的收银台和支付流程就是由基于C++编写的跨平台代码所驱动的。

效能提升
在这里插入图片描述
以核心支付流程代码为例,跨平台需要 3512 行,iOS 原生需要 6328 行。减少了近 45% 的代码。

以新需求开发为例:

7.0.4 版本需求一:收银台改版

7.0.4 版本需求二:简化版本收银台

跨平台实现:iOS + 安卓 共计 3 人日,在封板时间前完成

原生实现:iOS, 安卓封板时间后一周才基本完成

跨平台实现:iOS + 安卓共计 5 人日,在封板时间前完成

原生实现:iOS, 安卓封板时间后一周才基本完成

那么支付跨平台软件架构怎么样有效进行质量保障,并且提升生产力呢?这是这篇文章的主要内容。
在这里插入图片描述
什么是软件架构

什么是软件架构?正如 Ivar Jacobson (UML 之父)说过的一样,找五个人来回答这个问题,五个人可能都有各自不同的答案。

架构定义可以有很多种说法,从代码规范到发布流程都可以是架构的一部分。

针对微信支付的业务特点,这里对架构的定义是:架构是系统的组成部件及其之间的相互关系(通讯方式)。这更符合我们程序员日常编写业务代码时对架构的理解。也就是通俗意义上讲的 MVC,MVVM 等。

为什么需要软件架构

早在 1986 年的时候,人月神话的作者在讨论软件的复杂性时,谈到:软件的本质复杂性存在于复杂的业务需求中。

而管理复杂性,最根本的手段就是职责分离。为了实现职责分离,代码重用,架构慢慢地复现出来。架构的本质是管理复杂性。关注微信公众号:Java技术栈,在后台回复:架构,可以获取我整理的 N 篇架构干货。

没有架构,我们所有的代码都耦合在一起,人类的心智模型不擅长处理这种复杂性,架构的设立,和图书馆的图书分类,公司的组织划分等,本质都是一样的。是为了管理复杂性,以取得更高的生产力。

从零到一构建支付跨平台软件架构

在移动客户端领域,业界基于 C++ 来编写业务代码,并没有成熟的架构。即使使用 C++ 编写业务逻辑,但都不涉及 UI,不涉及界面的跳转流程。

既然业界没有一个成熟的架构可借鉴,那么是不是直接把业界通用的架构简单套用一下就好?

1. 抽象业务流程

现在业界通用的有 MVC , MVP, MVVM 。这些大家都熟悉的软件架构。但是这些软件架构都存在一个问题:那就是没有处理好业务流程, 界面转场。

微信支付的流程多。而流程就是由一个个的界面(ViewController,Activity)和相关的业务逻辑组合而成。

上面的 MV(X) 模式忽略了一个非常重要的一点,那就是业务流程,界面的转场究竟由谁负责。也即 ViewController 与 ViewController 之间的关系由谁维护,业务流程的逻辑写在哪里。

如果还按照传统的 MVC 模式,那么 ViewController 自己负责和不同的 ViewController 通讯。那么 ViewController 得不到复用,更致命的是业务流程的代码非常不清晰,业务流程的代码都被分散到各个 Controller 中, 而一个 Controller 又可能耦合了多个业务的代码。

举个例子:一个普通的转账流程,可能会涉及风控拦截,实名验证, 收银台, 绑卡,支付成功页等等。如果是基于 MVC 这种架构的话,很快代码会变得难以维护。

在这里插入图片描述

因此,为了适应微信支付流程多,界面跳转复杂的特点。架构抽象的第一步就是将业务流程抽象为一个独立的角色 UseCase。同时, 把界面抽象为 UIPage。一个大的业务流程可以分解为一个个小的业务流程。

在这里插入图片描述
和刚才基于 MVC 混乱的架构相比:

业务流程的代码能够聚合到 UseCase 中,而不是分散到原来 iOS, 安卓的各个 ViewController,Activity 中。

业务流程和界面得到了复用。

契合微信支付多流程,界面跳转复杂的业务特点。

2. 加入路由机制

既然流程得到了抽象,这个时候需要针对业务流程做更深的思考。在开发支付业务流程时,开发者不可绕过的问题有:

1、流程之间,页面之间的流传。
在这里插入图片描述

比如我们要给一个朋友转账,输入金额,确认支付,触发 Cgi 后。下一个流程是多变的。有可能用户需要去实名,有可能用户要进入一个安全拦截的 WebView,或者是正常拉起收银台。

本文中的名词 CGI 可以理解为一个网络请求,类似HTTP请求。

那么以往在 iOS, 安卓分开实现时,都没有一个统一的处理机制。要么就是通过网络回包的某个字段来判断,要么就是本地维护一些状态来决定下一步走什么流程等等。非常繁琐,易错。

2、特殊流程的处理

在这里插入图片描述

支付业务流程还有个特殊的地方,那就是在正常流程的中间,往往很多时候要需要插入一些特殊流程。比如有些地方要跳转 Webview, 有些地方要跳转小程序,有些地方要弹窗告知用户风险,或者终止当前流程,等等。我们经常需要在业务代码里面不断重复增加这样的处理。

这些问题,引导我想到,微信支付需要一个路由机制。

首先了解一下路由机制。

在这里插入图片描述
路由机制的核心思想,就是通过向路由传递数据,然后路由解析数据,并响应。

结合微信支付和网络密切相关的特点。创新地将支付领域模型作为传递的数据。

在这里插入图片描述
那么怎么建立这个支付领域模型的呢?

建模,就是建立映射。领域知识 + 建模方法 = 领域建模。那么这里的领域知识,就是对支付业务流程的理解。建模方法,我采用了 UML 建模。最终会落地为 Proto 协议供客户端和后台一起使用。

在这里插入图片描述

首先,微信支付业务特点就是和网络密切相关,流程和页面往往是由 Cgi 串联起来。因此建立模型时,最外层便是网络回包。对于路由机制,这里我们只关心路由数据模型。

路由数据模型由路由类型,还有各个路由类型所需要的信息组合成。

路由类型清晰的定义了要触发的行为。究竟是要开启一个 UseCase,还是要打开一个界面,或者 网页,小程序,弹窗等等。

然后就是这些行为所需要的数据。比如打开小程序所需要的参数,弹窗所需要的参数等。

在这里插入图片描述
建立支付领域模型后,我们路由的解析就变得非常清晰了。路由解析之后,会根据路由类型,触发不同的动作。

比如流程,界面流转,会交给 UseCase 处理。

而特殊流程,比如打开小程序,打开 webview, 弹窗这些行为会统一进行处理。

我们在第一步把业务流程抽象为 UseCase。第二步则加入了路由机制。

加入路由机制后,支付跨平台的软件架构演进为这个样子。

在这里插入图片描述

加入路由机制后,对比 iOS,安卓原来的旧架构:

统一了流程,页面的流转。清晰,易维护。

统一了特殊流程的处理,减少重复工作。

在加入路由机制的时候,结合微信支付和网络密切相关的特点进行了支付领域建模。支付后台协议重构 2.0 的核心思想也是围绕着这个路由机制展开。
在这里插入图片描述
再来看一下,加入路由机制后,对生产力的提升。以支付流程打开 WebView, 小程序为例,减少将近 83% 的代码。更重要的是,这里的特殊流程,是在路由机制里面统一处理的,没有耦合到业务代码中,并且是可复用的。

3. 管理网络请求

首先看看原来 iOS 处理支付网络请求的缺陷:

在这里插入图片描述
原来支付的请求,都是通过一个单例网络中心去发起请求,然后收到回包后,通过抛通知,或者调用闭包的方式回调给业务侧。

会存在这样的问题:

1、CGI 一对多通讯问题。

举个之前遇到的问题。

在这里插入图片描述
那么钱包发起的 Cgi 的回包就会覆盖收付款页面的数据。之前在 iOS 只能通过修修补补,增加场景值,增加些标记位来解决。可能某一天就会又出现新的坑。

1、进入钱包页面后,发起了一个 Cgi

2、然后进入收付款页面也发起同一个 Cgi.

3、如果收付款发起的回包先到

4、然后钱包首页的回包再到。

5、CGI 生命周期问题。
在这里插入图片描述

不时会有用户反馈一下,怎么没有做什么操作,突然就会弹出网络报错。

原因就是 Cgi 的生命周期有问题,在业务结束后,Cgi 的回包仍然得到了处理。

解决方案:

1、将 Cgi 抽象为独立对象

在架构设计上来说,旧架构是通过单例模式实现的集约型 API,而我们新的架构则是通过命令模式实现的离散型 API。

也就是将 Cgi 封装为独立对象。我们把 Cgi 相关属性和能力内聚起来。开发业务时,只需简单继承 BaseCgi,设置一下参数即可。

在这里插入图片描述

2、划分职责,明确生命周期

关于 Cgi 由谁发起,之前安卓和 iOS 都没有一个统一的做法。有些人会放到 Activity,ViewController,和 UI 代码耦合起来。

因此,在跨平台软件架构中,我们统一由业务流程 UseCase 进行发起。并且生命周期是一对一的,一个 Cgi 只会有一个 UseCase 处理, UseCase 销毁后,Cgi 也随之销毁。

在这里插入图片描述

对比旧架构:

1.杜绝了一对多通信造成的 Bug

2.生命周期和业务逻辑绑定,不会出现业务结束,Cgi 回来后再触发动作。

3.高内聚,低耦合。将 Cgi 相关的数据,能力集中处理,业务侧无需感知。

4.提供统一的缓存,加密能力。

在这里插入图片描述

第一步和第二步,我们抽象了业务流程,加入了路由机制。
在这里插入图片描述
在第三步管理网络请求后。我们的软件架构演进为这样子。
在这里插入图片描述
4. 规范数据传递

iOS 和安卓的旧架构都存在信息传递不当和数据污染问题。这个问题最严重。iOS 和 安卓都出过不少 bug。

首先我们来看看最近现网出现过的问题:

之前 iOS 出现,不少内部同事,外部的用户都在反馈:进行零钱页后,会无故弹空白框。而支付又和金钱有关,引起用户的恐慌。

在这里插入图片描述

具体原因就是:

1.进入支付首页时,后台返回了数据,然后被写入到一个公共的 Model.

2.然后进入钱包页,再进入零钱页。这个公共 model 一路被传递过去。

3.然后零钱页读取了公共 Model 的数据,但是代码无法处理,导致出现了这个让用户恐慌的问题。

除此之外,之前还有有很多发生在安卓,iOS ,像钱包页零钱展示错误。付款的时候。银行卡失效等等问题。

这些问题五花八门,看起来发生的地方,场景都不一样。每次遇到这类问题的时候,就只能去修修补补。

但是深究下去,会发现真正的原因,是软件架构上存在的问题:
在这里插入图片描述

支付旧的架构采用了黑板模式,虽然方便了数据读写。但是带来的问题和收益完全不成正比:

1.存在公共读写的数据类型。

安卓传递的数据类型是一个字典,而 iOS 则是一个 Model 对象。所有的界面,业务逻辑都共用一个数据。

2.无序的数据流动。

数据的流动是不可追溯的,数据的修改可以发生在任意使用公共数据的地方。

那么支付跨平台软件架构,为了杜绝这样的问题。我是这么做的:

在这里插入图片描述
1.去掉公共读写的数据类型

2.传递值类型(Value Type)的数据, 后面流程修改数据时,不影响前面的流程。

3.单向传递数据,只依赖注入必要数据。

4.如果数据修改需要通知前序流程,使用代理模式通讯。

规范数据传递后。对比旧架构:

1.从架构上根本解决了困扰微信支付已久的数据污染的问题。

2.数据的流动变为单向,数据流动变得可追溯。

前面三步,我们抽象了业务流程,加入了路由机制,统一管理网络请求。
在这里插入图片描述
那么规范数据传递后,我们软件架构就演进为这样子。

在这里插入图片描述

总结:

软件的本质复杂性存在于复杂的业务需求中。而软件架构的本质就是管理复杂性,因此真正的好的架构,正是在复杂的业务需求中反复提炼和总结归纳而来,解决了真正的业务问题,不是空谈。

软件架构除了清理历史旧架构的缺陷,是我们业务开发的基石之外。还能够赋能业务,为业务带来价值。在建立软件架构的基础上,还围绕着软件架构建立起微信支付的跨平台自动化数据上报机制,防重复支付,安全横切等带来巨大业务收益的能力。有机会的话,后面也会进一步编写相关文章和大家交流探讨。

架构是一个不断演进的过程,随着新的支付业务基于跨平台软件架构的不断编写, 我也会对这个架构进行持续的更新迭代。让这个软件架构更贴合微信支付,更加健壮和完整。

朴素贝叶斯实战:小样本、高可解释、低延迟的工业级应用 朴素贝叶斯分类器是一种基于贝叶斯定理与条件独立假设的经典概率模型,其核心原理是利用先验概率和特征似然联合推断后验类别概率。不同于依赖大规模数据与算力的深度学习模型,它以极简结构实现强鲁棒性、天然抗噪声、毫秒级响应和完全可解释的决策路径,在小样本学习、实时文本分类、垃圾邮件过滤等场景中展现出独特技术价值。尤其适用于数据稀疏、业务需审计、上线周期紧、资源受限的真实工程环境——本文聚焦其在电商风控、医疗文本分类、客服质检等工业级任务中的落地细节与避坑经验。 阅读详情

相关推荐

python知网爬虫论文pdf下载+立即可用(动态爬虫)

python实现动态爬虫知网论文,搜索+自动翻页+下载 收集数据利器

Braylon的博客 5381

微信支付的软件架构,到底有多NB?

背景作为一个重要业务,微信支付在客户端上面临着各种问题。其中最核心问题就是分平台实现导致的问题:iOS 和安卓实现不一致容易出 Bug通过沟通保证不了质量扩展性差,无法快速响应业务需求需...

Java和Android架构 414

KTransformers安装笔记 利用docker安装KTransformers

KTransformers安装笔记 利用docker安装KTransformers

guoqingru0311的博客 1563

微信支付前端代码

<div style="width: 90%; margin: 20px auto;"> <p class="orderinfo">订单提交成功,请尽快付款!订单号:<%=Order.orderstrid %><span class="right">应付金额<b class="money"><%=Order.tota...

running80的专栏 2225

光栅衍射有入射角时_衍射型多焦点人工晶体光学原理

多焦点人工晶体如何把光线分成多个焦点的?这个问题大部分专业书只是蜻蜓点水,并没有讲明白。希此文粗浅的解释,能帮您加深理解,请多指正。接下来,我将按照一下历史发展的顺序讲解一下:光的认识、菲涅尔灯塔(菲涅尔透镜)、菲涅尔波带盘(半波带盘)、多焦点人工晶体。一:首先复习一下光的认识历史。我们现在都知道光是一种电磁波,具有波粒二相性,但是认识光的本质也经历非常曲折漫长的过程。牛顿时代的几何光...

weixin_28963467的博客 2353

CODESYS Softmotion(一)功能介绍

一、CODESYS SoftMotion RTE SL产品 1.1 CODESYS Runtime SL 产品家族介绍 目前支持的主流厂商的硬件产品,让部署在上面的成为实时设备。 对于Windows系统,根据需求选择对应的Runtime: RTE极大的提高了实时性,适合进行运动控制,同时RTE还支持了多个主从站协议: 还可以选择可选的功能(Single License): RTE对硬件和系统有要求,如果你需要硬件功能,那么网卡会有最低要求。 1.2 RTE的下载和安装 在官网http://codes

Fishfishfishfishcat 2万+

微信支付 JSAPI支付, h5支付,扫码支付等

先了解一下支付操作的大致流程: 微信支付 接入操作步骤 1。环境配置准备 1.1 微信公众号平台 开通微信支付功能 1.2 配置公众号对应产品的访问地址(一级域名) 并把文件放置服务器的根目录 1.3 微信支付平台 开通微信授权服务功能 设置api秘钥 (用于支付信息加密) 1.4 获取微信支付平台的商户号 子商户号等配置信息 (支付时需要) 1.5 前端页面授权 获取微信用户code 1.6 ...

qq_38637728的博客 3298

深入理解鸿蒙输入子系统驱动:HDI接口、HAL层与内核驱动的协同机制

/ 扫描输入设备// 打开指定输入设备// 关闭指定输入设备// 获取指定设备信息// 获取所有设备列表鸿蒙输入子系统驱动采用分层架构设计,通过HDI接口层实现硬件抽象,HAL层提供统一的事件处理机制,用户空间驱动层负责设备管理和事件分发。整个系统支持多种输入设备类型,包括触摸屏、按键、鼠标、键盘等,并提供了完整的HID设备支持。分层架构:清晰的层次划分,便于维护和扩展事件驱动:基于epoll的高效事件处理机制设备管理:完善的设备生命周期管理HID支持。

m0_67505153的博客 214

【译】一般的管理者 VS NB管理者

无图无真相 指派任务 这周末之前能把微信支付做完吗?好的。 遇到了一些问题:之前的支付方式马上就会被关停了。了解,我现在就着手微信支付的接入。 发布消息 一个坏消息,老板定了个新规矩,公司不能养狗,嗯,就酱。 一个坏消息,公司有些同事对狗狗过敏,另外还有一份报告分析指出,他们的工作状态也受到了影响,所以,非常抱歉,希望大家都不要带狗狗来公司了。 1对1指导 让我们讨论一下接下来三周的工作内...

weixin_34221332的博客 95

大模型——Coze工作流实战:一键生成像素风格视频

本文介绍了如何利用Coze平台工作流生成像素风格心理学短视频的方法。通过创建工作流、设置变量节点、调用大模型生成文案、数据格式化处理、合成音频、生成字幕等步骤,最终实现从输入主题到生成完整视频的自动化流程。文章详细展示了每个节点的具体配置方法,包括提示词编写和数据处理脚本,为读者提供了完整的像素风格视频制作解决方案。

823

泛微表单添加自定义按钮

泛微表单添加自定义按钮

技术分享 2191

小程序 智能停车场管理系统

前端采用微信小程序框架(WXML/WXSS/JavaScript),后端选择云开发(腾讯云)或Node.js+MySQL组合。车牌识别调用腾讯云或阿里云API,硬件端通过物联网技术(如LoRa/NB-IoT)连接车位传感器。对于本系统,我们提供全方位的支持,包括修改时间和标题,以及完整的安装、部署、运行和调试服务,确保系统能在你的电脑上顺利运行。:通过MQTT协议接收传感器上报数据,更新数据库状态。注:实际开发需根据硬件条件和预算调整技术方案,例如低成本方案可采用蓝牙信标替代物联网传感器。

Q_Q511008285的博客 121

【OTFS与信号处理:论文阅读4】OTFS时延多普勒域嵌入导频辅助信道估计(已更新)

【OTFS与信号处理:论文阅读】Embedded Pilot-Aided Channel Estimation for OTFS in Delay–Doppler Channel(快来看看OTFS嵌入式导频设计的经典之作!!!)

Cuby的博客 5341

【开题答辩全过程】以 高校水电表缴费系统的设计与实现为例,包含答辩的问题和答案

本文介绍了一位14年经验的毕设指导专家,擅长多种编程语言和技术栈,提供项目开发、答辩指导等服务。重点展示了一个《校园水电表缴费系统》的毕业设计案例,详细说明了系统功能模块(管理员端与学生端)、技术选型(NB-IoT+SpringBoot+Vue)及答辩问答环节。评委对选题价值和技术方案给予肯定,同时指出需改进文献时效性、安全设计和进度风险预案。最后提供开题报告参考和毕设支持服务建议,强调核心功能优先的开发策略。全文为毕业设计提供了实用的技术方案和答辩指导参考。

shiji5078的博客 597

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/

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

2026毕设ssm+vue基于的NBA球队管理系统论文+程序

本文介绍了一个基于SSM(Spring+SpringMVC+MyBatis)和Vue.js的体育信息管理平台开发项目。该系统整合了球队信息、球员数据、在线售票和比赛视频等核心功能模块,采用前后端分离架构,MySQL数据库存储数据。研究重点包括多模块数据整合、高并发售票处理、视频加载优化等问题,通过Redis缓存、SpringSecurity等技术保障系统性能与安全。项目按照软件工程流程开发,提供完整的文档和可运行原型,为体育信息化管理提供解决方案。开发环境为JDK1.8、Tomcat7.0和Maven3.3

sheji9301的博客 902

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

细思极恐 从摩拜和ofo投资人的互怼大战中我们学到了什么

作者 | 柠檬酱责编 | 薄荷茶微信公众号ID | csdn_iot今年的共享单车大战中,摩拜和ofo似乎是实力最盛的两家,前者凭借智能锁、可定位、质量好的特点受到不少青睐,而ofo小黄车则因为数量多,押金少而俘获了不少人 心。”黄金车“,”彩虹车“纷纷上市,正争相闪瞎用户的眼的时候,一条朋友圈又将这共享单车双雄拉回了我们的视线。起因是ofo小黄车投资人金沙江创投合伙人朱...

m0_46700908的博客 1067

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")

2026年SpringClouAlibaba企业完整使用实战项目零基础小白

可落地”的企业级微服务模板。旨在使初学者在最短时间内掌握从开发到上线的完整流程,实现面试有话可说、入职即可工作、落地稳定可靠。项目以业务为导向、以工程化为基础,力求做到开箱即用、清晰可复用,助力开发者在企业中迅速上手并持续成长。后续学习文档与最佳实践将持续在组织中沉淀,助力更多开发者高效提升技术能力。

小坏说Java,一个专注Java微服务架构的实战,Java全栈教程,SpringBoot, SpringCloud微服务到分布式、高并发架构,大数据开发,运维实战,K8S、Docker容器为一体的教程,结合企业级内部的技术栈学习 927

青蓝送水模式商城app开发(现成案例)

青蓝送水商城APP开发方案聚焦即时配送服务,核心功能包括用户端(在线选购、智能配送、水质追踪)、骑手端(抢单系统、路径优化)及后台管理(动态定价、库存预警)。采用ReactNative跨平台开发,集成高德地图/微信支付等API,需办理食品经营许可。特色在于空桶回收积分、NB-IoT智能水桶监测等差异化设计。初期成本25-40万元,盈利来自配送费(3-5元/单)和品牌入驻费。关键技术支持包括微服务架构和WebSocket实时订单推送,通过饮水机租赁等增值服务提升收益。

土土哥araolin的博客 194

村委会统建楼收费管理数字化转型:从手撕票到电子账单

《城中村统建楼数字化收费改造实录》摘要:本文记录了东莞某村360间统建楼从手工收费到数字化管理的转型过程。原手撕票模式存在排队耗时、票据丢失、数据混乱等问题,通过租户信息电子化、微信自动推送账单、安装NB-IoT智能水电表、建立自动催缴系统四步改造,实现30天回款率提升20%、人力减少67%、水电争议下降93%的显著成效。文章特别强调基础数据整理的关键性,并分享保留现金窗口过渡、对接村委会财务规范等实操经验,为集体物业数字化提供可复制的改造路径。(149字)

221

Spring 解决循环依赖的 3 种方式!

往期热门文章:1,《往期精选优秀博文都在这里了!》2、微信支付的软件架构,到底有多NB!3、真能一快遮"百丑"?为什么要弃坑FastJson4、我把SpringBoot项...

Java后端技术 563

程序员究竟能干多少年?用数据说话!

Java技术栈www.javastack.cn打开网站看更多优质文章程序员这个职业究竟可以干多少年,在中国这片神奇的土地上,很多人都说只能干到30岁,然后就需要转型。我在很多面试中,问到...

Java技术栈,分享最主流的Java技术 752

微支付开发部分代码示例

最近公司在开发未支付,刚刚做出测试成功,腾讯平台的技术支持实在不敢恭维,死活联系不上,在测试过程中走了不少弯路,希望大家别像我一样走弯路。 微支付官网下载文档地址:http://download.youkuaiyun.com/detail/ethan19/7193855, 主要介绍JS API支付: 支付过程中,最主要的是数据处理, 首先,在Wxpayhelper.php中会处理各种你要使用的

Ethan19的专栏 5218

小程序是微信最后的机会吗?它能做多大?

微信小程序又刷屏了。 科技互联网领域最著名的隐藏角色张小龙亲自出来发布,将这几年积攒在自己身上的所有公关传播效应寄托在了小程序上。 很难说,昨天相当不错的传播效果是给小程序的,还是给张小龙同学的。 就连马化腾自己也多次谈及小程序,还做了产品发布预告“小程序在春节前发布”,这才是腾讯内部是极少的待遇,作为腾讯最高管理层,Pony很少谈具体的产品,更何况是尚未发布的产品。

sinat_36947685的博客 486

Node.js+Vue构建草莓采摘园预约管理系统实战

现代Web开发中,Node.js与Vue.js的组合已成为构建响应式应用的主流技术栈。Node.js基于事件驱动和非阻塞I/O模型,特别适合高并发的实时系统;Vue.js的响应式数据绑定和组件化开发,则能高效处理动态界面需求。这种技术组合在农业信息化领域展现出独特价值,尤其适用于需要实时数据更新的预约管理系统。通过ElementUI组件库的深度定制,可以快速搭建符合农业从业者操作习惯的界面。在草莓采摘园等农业场景中,系统实现了动态库存管理、微信支付集成等核心功能,解决了传统农业管理中存在的数据孤岛问题。典型

aoe41606的博客 412
上一篇: 单身程序员如何找对象?#罗志祥时间管理
下一篇: 程序猿最应看的10部电影!!!
java_Anni
博客等级 码龄7年 2粉丝 9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