Apache ServiceComb 社区4月动态精选

【教程】ServiceComb安装和配置 Apache ServiceComb 提供了融合开源生态的一站式微服务开源解决方案,致力于帮助企业、用户和开发者将应用轻松微服务化上云,实现对微服务应用的高效运维管理。 阅读详情
640?wx_fmt=gif640?wx_fmt=png

你好,四月

我说 你是人间的四月天;

笑响点亮了四面风;

轻灵在春的光艳中交舞着变


你是四月早天里的云烟;

黄昏吹着风的软,星子在无意中闪;

细雨点洒在花前

......

你是一树一树的花开,

是燕在梁间呢喃,——你是爱,是暖,

是希望,你是人间的四月天~


Apache ServiceComb | 精选

+

+

林徽因执笔轻吟“你是爱,是暖,你是人间四月天”的倾世锦句,古来文人墨客无不对四月充满了浪漫的情怀,我亦钟爱四月天。

在这温暖的季节里,小蜜蜂给大家带来新一期的精选动态~

Apache ServiceComb 致力于帮助企业、用户和开发者将企业应用轻松微服务化上云,并实现对微服务应用的高效运维管理。



640?wx_fmt=png


640?wx_fmt=png

进展动态

640?wx_fmt=gif关于新特性版本发布

ServiceCenter 1.2.0 发布

http://mirrors.gigenet.com/apache/servicecomb/servicecomb-service-center/1.2.0/

java-chassis 1.2.0发布

http://apache.mirrors.hoobly.com/servicecomb/servicecomb-java-chassis/1.2.0/

ServiceComb Pack 0.4.0 发布

http://mirrors.ibiblio.org/apache/servicecomb/servicecomb-pack/0.4.0/

欢迎大家使用,提出宝贵意见。



640?wx_fmt=png

FAQ| 精选问答

+

+


Q1

cse-dependency-spring-boot2 这个包在哪个仓库?

A:包都在maven仓库,可参考如下网址的案例进行配置:

https://huaweicse.github.io/cse-java-chassis-doc/


640?wx_fmt=png


Q2

--- [ice Center Task] 	
o.a.s.s.consumer.MicroserviceVersions: Failed to setInstances, appId=****-stg, microserviceName=f*****.	
java.lang.NullPointerException: null

swagger 报错,服务启动失败。

A: 问题已经解决,用户定义了一个类,里面没有定义任何RESTful operation。这个问题在1.2.0已经做了规避,但是定义这样的空实现类仍然是没有意义的,不建议这样做。


640?wx_fmt=png


Q3

1.2.0的java-chassis-dependencies,底层是springBoot2.0以上版本?还是沿用的1.5.12?

A:不再是固定的,各业务按自己的场景,选择不同的依赖。

ServiceComb可以在不同的spring boot版本下运行,支持spring boot1,和spring boot2的例子可以参考:

https://github.com/apache/servicecomb-samples/tree/master/dependency_management


640?wx_fmt=png


Q4

ServiceComb能写异步代码吗?在哪个demo中有例子?

A:

例1:asyncQuery是reactive查询redis的例子

https://github.com/apache/servicecomb-java-chassis/blob/master/demo/perf/src/main/java/org/apache/servicecomb/demo/perf/Impl.java

例2:runAsyncConsumers是reactive发起调用的例子

https://github.com/apache/servicecomb-java-chassis/blob/master/demo/perf/src/main/java/org/apache/servicecomb/demo/perf/PerfConsumer.java


详情请参考文档:

https://docs.servicecomb.io/java-chassis/zh_CN/general-development/reactive.html


640?wx_fmt=png


Q5

在本地调试的时候,调用其他微服务会报找不到实例的错误,但在注册中心明明看得到的,这是什么原因?

A:检查下application ID,environment是否相同.通常都是“隔离域”不同的原因导致的。可以通过如下案例↓↓↓


1. “如何进行微服务的多环境开发部署”

https://bbs.huaweicloud.com/forum/thread-11095-1-1.html


2."微服务接口兼容常见问题"

https://docs.servicecomb.io/java-chassis/zh_CN/question-and-answer/interface-compatibility.html

了解更多ServiceComb的“隔离域”及其应用场景。


640?wx_fmt=png


Q6

现网A服务调用B接口,且都是双实例。如果版本升级时契约变更了,B微服务的版本号升级一个版本,在b服务已经升级但a还未升级完成时,a服务能调用到新的b的服务的接口吗?会不会引起调用失败?

A:

a是普通consumer:

  可以调到b新实例中的旧接口,但是不会调到b新实例中的新接口

  如果接口升级是兼容的,则不会出错,可以追加参数,不可以在中间插参数

a是edge:

  则新、旧接口都可以中转给后端


640?wx_fmt=png


Q7

问下:rest://192.168.1.1:8080  支持对https的接口调用吗?endpoints 支持配置为域名吗?

A:

servicecomb:	
  rest:	
    address: 0.0.0.0:8080?sslEnabled=true

可以的。但是需要区分监听地址和外部访问的发布地址。 https://docs.servicecomb.io/java-chassis/zh_CN/build-provider/listen-address-and-publish-address.html


640?wx_fmt=png


Q8

请教一个问题,我想请求验证码图片,java方法返回类型使用byte[] 时,content-type 却是application/json,页面展示一串字符,有办法修改这个content-type吗?

使用如下配置,接口调用报错:

@ResponseBody	
@RequestMapping(value = "/captcha.jpg", method = RequestMethod.GET, produces = MediaType.IMAGE_JPEG_VALUE)	
@ApiResponses({	
@ApiResponse(code = 200, response = File.class, message = ""),	
})

A:↓请参考以下文档↓

https://docs.servicecomb.io/java-chassis/zh_CN/general-development/file-download.html

如果是展示为图片,不是下载,则HttpHeaders.CONTENT_DISPOSITION设为inline

最好不要用parent的模式,不好处理版本冲突,统一使用dm引入


640?wx_fmt=png


Q9

javachassis1.2.0 默认是基于springboot2打包的吗?

A:java-chassis不基于springboot,但是可以与springboot配合使用↓↓↓

https://github.com/apache/servicecomb-samples/tree/master/dependency_management 

spring 4, 5, spring boot 1, 2都可以集成。 1.2.0更加简单了 


640?wx_fmt=png


Q10

开发者, servicecenter有带frontend的docker镜像提供吗?

A:https://hub.docker.com/r/servicecomb/scfrontend


640?wx_fmt=png


Q11

网关对请求转发的时候,怎么实现跨应用访问?我现在用的是zuul。


A:zuul的处理过程稍微复杂点。大概思路应该是首选被调用服务要先设置为允许跨应用调用,然后zuul的Discovery接口实现通过applicationid:miscroservicename去查找对应的微服务,能找到实例即可。  

跨应用调用请参考以下文档↓↓↓

https://docs.servicecomb.io/java-chassis/zh_CN/general-development/cross-app-invocation.html  




640?wx_fmt=png

FAQ总结

1.现有接口返回类型是Optional的时候初始化失败,除了改接口返回类型之外还有没有什么解决方案?

将要发布1.2.1,会增加这个特性


2.关于使用inspector 在线测试微服务接口的时候,如果微服务设置了servlet.urlPattern,swagger 生成的url会少了一级路径,导致404

将要发布1.2.1,会解决这个问题



640?wx_fmt=png


640?wx_fmt=gif


精彩回顾

640?wx_fmt=png


1.2019年中国开源盛事 KubeCon & CloudNativeCon & OSS 上海峰会 Co-located Event Apache ServiceComb Meetup 


2.华为云微服务应用平台(ServiceStage)作为业界微服务平台典型代表最终顺利通过。大会上,华为云架构师Hill和Apache ServiceComb 项目VP Willam Jiang被受聘为云原生产业联盟技术委员会专家。

原文链接?↓↓↓

https://www.huaweicloud.com/news/2019/0425093238050.html?from=groupmessage&isappinstalled=0

640?wx_fmt=gif

活动预告



640?wx_fmt=jpeg

END



640?wx_fmt=png


文

末

小

结


我们专注于开源

更希望有更多爱好者学习到微服务


同时也欢迎大家加入到我们的开发队伍

为我们贡献代码,成为commiter


欢迎扫码加入进微信群

有什么疑问可以提issue到github上

我们会及时为你解答~


小蜜蜂提前祝大伙儿五一快乐!?

640?wx_fmt=png

640?wx_fmt=png



期待志同道合的你

用心做开源/不忘初衷



了解更多信息请访问:

官方网站↓↓↓

 http://servicecomb.apache.org/ 

Github代码仓库↓↓↓

 https://github.com/apache?q=ServiceComb 

640?wx_fmt=png在看点这里640?wx_fmt=gif640?wx_fmt=png



戳“阅读原文”阅读相关源码

并给ServiceComb点个“Star”吧


如何加入Apache开源社区:Apache ServiceComb (incubating) 微服务开源项目实例讲解 近期,热衷开源和微服务的伙伴们非常关注如何加入到 微服务 开源项目 Apache ServiceComb (incubating) 社区。Apache ServiceComb 作为开源的Apache软件基金会孵化项目,加入方式和常规的加入开源社区的方式大体一致,一般为三个阶段:订阅并关注社区动态;开始在开源社区提交第一份代码;深度加入社区讨论并贡献。以下将详细向大家讲述如何一步步加入Service... 阅读详情

相关推荐

BM25:LLM智能体中轻量、可解释、高可用的检索基石

BM25是一种基于词频-逆文档频率的经典稀疏检索算法,其核心原理是通过TF-IDF加权与文档长度归一化,量化查询与文档的相关性。相比黑盒化的向量检索,BM25具备零训练依赖、毫秒级响应、完全可解释、中文适配友好等技术价值,特别适合RAG架构中作为首层召回器。在客服Bot、企业知识助手、内部文档问答等需‘边查边答’的LLM智能体场景中,BM25能以极低资源开销保障高召回率与稳定性,已成为生产环境中不可或缺的隐形引擎。

weixin_33720078的博客 653

Docker安装service-center,littlecui/scfrontend

【代码】Docker安装service-center,littlecui/scfrontend。

m0_56048123的博客 759

【项目实战】Web 服务器介绍 —— Apache入门

Apache是重量级、不支持高并发的 web 服务器。

奶爸的编程之路,也就一周冷个三天 875

design/sourcecode/课堂笔记nio

nio 8 月眼看就要过去了,最近一个月忙的不可开交。当初说好的, “我们部门各个都挺闲” 的诺言好像并没有实现。水一期,做为 8 月的文章 头可断,血可流,每月勤写标兵不能丢 BIO 之前做 socket,使用 tomcat 的 BIO 模型 使用线程池(Executor)每次有新的线程接入,启动一个线程。每个线程里头有一个阻塞的 BIO(Acceptor) ...

u012296499的博客 328

如何实现一个优质的微服务框架:Apache ServiceComb 的开放性设计

摘要: 一个优质的微服务框架需要考虑的要素众多,在满足微服务设计理念的前提下,也是一个不断实践优化的过程。本文讲述了整个 开源微服务框架 Apache ServiceComb 设计形成的前因后果,尝试从理念、思想和实践结合的维度剖析一个优质的微服务框架应该具备哪些要素,包括但不限于 对开发者友好、高性能、内外部扩展性等。阅读本文有利于加深对微服务理念和框架的理解,给予微服务用户或开发者以帮助,...

霍力强的专栏 605

S7-1200与KINCO伺服通信实战:CM CANopen模块配置避坑指南(附完整PDO映射表)

本文详细解析了西门子S7-1200 PLC通过CM CANopen模块与KINCO伺服驱动器的通信配置全流程,重点解决PDO映射混乱、心跳报文配置错误等常见问题。提供硬件组态、参数设置、PDO映射模板及故障排查方案,助力工业自动化系统实现稳定高效的多轴运动控制。

2y3u4i5o6p的博客 1106

[适合初中级Java程序员修炼手册从0搭建整个Web项目](一)

前言文本已收录至我的GitHub仓库,欢迎Star:https://github.com/bin392328206种一棵树最好的时间是十年前,其次是现在six-finger-web一个W...

qq_42820805的博客 338

桑基图实战指南:Excel/Python/R三工具高效绘制方法

桑基图是一种以线条宽度编码流量大小、以节点位置表达流程阶段、以连接关系呈现数据流向的专项可视化技术,其核心原理在于‘宽即量、位即序、连即逻辑’。它并非装饰性图表,而是面向业务诊断的分析前置工具,尤其适用于预算分配、能源损耗、用户转化等存在明确单向流动与显著数值差异的场景。相比传统柱状图或漏斗图,桑基图能天然暴露系统瓶颈与隐性损耗,大幅提升决策效率。本文聚焦工程落地,覆盖Excel插件快速交付、Python Plotly交互开发、R networkD3生态集成三大主流路径,兼顾数据准备铁律、索引映射规范与中文

cuml0912的博客 489

apache为什么更适合处理动态请求_Apache ServiceComb 社区4月动态精选

你好,四月我说 你是人间的四月天;笑响点亮了四面风;轻灵在春的光艳中交舞着变你是四月早天里的云烟;黄昏吹着风的软,星子在无意中闪;细雨点洒在花前......你是一树一树的花开,是燕在梁间呢喃,——你是爱,是暖,是希望,你是人间的四月天~Apache ServiceComb | 精选++林徽因执笔轻吟“你是爱,是暖,你是人间四月天”的倾世锦句,古来文人墨客无不对四月充满了浪漫的情怀,我亦钟...

weixin_39707478的博客 112

ACPWorkbench_for_BP10

ADC支持9种采样率:8000Hz、11025Hz、12000Hz、16000Hz、22050Hz、24000Hz、32000Hz、44100Hz 以及 48000Hz。选择5种MCLK源时, 模块内部的MCLK源无效。I2S 采样率支持:8K,11.025K,12K,16K, 22.05K, 24K, 32K, 44.1K, 48K, 88.2K, 96K, 176.4K 和 192K。DAC采样率支持:8K,11.025K,12K,16K,22.05K, 24K, 32K, 44.1K和48K。

dddds222_的博客 4568

CAN收发器选型避坑指南:TJA1051T与TJA1051T/3的硬件兼容性问题实录

本文详细解析了CAN收发器TJA1051T与TJA1051T/3的硬件兼容性问题,通过实测数据和故障案例揭示了VIO引脚的关键差异及其对系统的影响。提供从选型到验证的完整防坑方案,帮助开发者避免常见设计错误,确保CAN总线通信的稳定性。

weixin_42715608的博客 462

Apache ServiceComb 社区1月动态精选

Apache ServiceComb | 精选新年今天是农历的正月十一结束了春节假期的小蜜蜂在家也吃胖了~相信有很多小伙伴已经回归到工作当中啦:)在精神抖擞牟足干劲的气氛...

微服务技术与实践专栏 1908

VASP实战:从非共线磁矩到自旋轨道耦合磁各向异性能的完整计算流程解析

本文详细解析了VASP中从非共线磁矩计算到自旋轨道耦合磁各向异性能的完整流程。通过实战案例和参数配置技巧,帮助研究者掌握非线性磁矩计算的关键步骤,包括SOC参数设置、文件传递逻辑以及磁各向异性能的精确提取方法,为材料磁性研究提供实用指导。

weixin_31102231的博客 411

Apache ServiceComb 社区3月动态精选

春风十里,不如你~点击蓝字,关注我们~tánɡ棠lí梨jiān煎xuě雪青鲤来时遥闻春溪声声碎嗅得手植棠梨初发轻黄蕊待小暑悄过 新梨渐垂来邀东邻女伴撷果缓缓归旧岁采得枝头...

微服务技术与实践专栏 1462

别再纠结Dify了!实测对比RAGFlow和Dify,聊聊企业知识库到底该怎么选

本文深度对比了RAGFlow和Dify在企业知识库选型中的实际表现,从技术架构、性能指标、部署成本等多维度进行分析。RAGFlow在复杂文档处理和准确率方面表现突出,适合有专职技术团队的企业;而Dify则以低门槛和快速部署见长。文章提供了六维度评估法,帮助企业根据文档复杂度、准确率要求等技术指标做出明智选择。

weixin_30897233的博客 675

RT-DETR改进策略【卷积层】| CGblock 内容引导网络 利用不同层次信息,提高多类别分类能力 (含二次创新)

本文记录的是利用中的模块优化的目标检测网络模型。通过局部特征提取器、周围环境提取器、联合特征提取器和全局环境提取器来提取局部特征、周围环境和全局环境信息,充分利用不同层次的信息。本文将其应用到中,并进行二次创新,使网络能够更好的处理多类别目标的分类能力。CGNet: A Light-Weight Context Guided Network for Semantic Segmentation1️⃣ 首先通过局部特征提取器floc(∗)floc(*)floc(∗)和周围环境提取器fsur(∗)f_{sur }

Limiiiing的博客 1351

Apache ServiceComb 社区2月动态精选

Apache ServiceComb | 精选二月,是连接冬与春的使者,是承接寒与暖的桥梁。春季伊始,南方开始有了暖阳,北方的大雪慢慢融化。我们等待的,不仅是那一抹春色,...

微服务技术与实践专栏 453

OpenClaw小白安装全攻略:5000字详解,3分钟上手

为什么值得装 OpenClaw?最近科技圈爆火的 OpenClaw(昵称 “小龙虾”),不是普通 AI 聊天工具 —— 它是能本地部署、直接操控电脑的 AI 智能体,相当于给电脑配了个 “全能助手”:整理文件、自动搜资料、写文档、控制浏览器,甚至对接微信 / 飞书发消息,全程不用手动操作。更关键的是:它免费开源、支持全平台,新手不用懂代码,复制粘贴命令就能装,数据存在本地不泄露隐私。截至 2026 年 3 月,GitHub 星标已破 25 万,券商都出研报推荐,上班族、学生党用它提升效率超香!

通俗易懂学IT 1212

Apache ServiceComb 社区5月动态精选

点击蓝字关注我们或许我可用夏日把你来比方,但你比夏日更可爱也更温良。夏风狂作常摧落五月的娇蕊,夏季的期限也未免还不太长。......只要人眼能看,人口能呼吸,我诗必长存,...

微服务技术与实践专栏 318

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/

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。

Apache ServiceComb 社区12月动态精选

点击蓝字关注这个神奇的公众号~Apache ServiceComb | 精选Apache ServiceComb 致力于帮助企业、用户和开发者将企业应用轻松微服务化上云,...

微服务技术与实践专栏 474

jre9下载 jdk9

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

Apache ServiceComb 社区11月动态精选

点击蓝字关注这个神奇的公众号~Apache ServiceComb | 精选Apache ServiceComb 致力于帮助企业、用户和开发者将企业应用轻松微服务化上云,...

微服务技术与实践专栏 348

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")

如何加入ServiceComb社区

近期,热衷开源和微服务的伙伴们非常关注如何加入到ServiceComb社区。ServiceComb作为开源的Apache软件基金会孵化项目,加入方式和常规的加入开源社区的...

微服务技术与实践专栏 367

[里程碑]1.0.0版本正式发布——Apache ServiceComb(incubating)

近日,正在Apache基金会孵化项目—微服务解决方案Apache ServiceComb(incubating) 的1.0.0版本通过社区投票,正式发布。这次发版的项目包括 Apache ServiceComb Java-Chassis (以下简称 Java-chassis)以及Apache ServiceComb ServiceCenter (以下简称ServiceCenter)。        ServiceComb从2017年12月进入Apache基金会孵化至今半年时间内,一步一个脚印,于2018年

ServiceComb的博客 579

Apache ServiceComb Service Center:微服务架构中的核心注册中心

Apache ServiceComb Service Center是一个基于RESTful架构的服务注册中心,专为微服务架构设计,提供完整的服务发现与管理能力。作为微服务生态系统中的核心组件,它解决了分布式系统中服务动态发现与治理的关键问题。 ### 核心特性 1. **服务注册与发现**:支持微服务实例的自动注册与发现,实现服务的动态路由 2. **契约管理**:基于OpenAPI规范,提供

gitblog_01104的博客 592

探索分布式配置管理新境界:Apache-ServiceComb-Kie 深度剖析与应用实践

探索分布式配置管理新境界:Apache-ServiceComb-Kie 深度剖析与应用实践 在分布式系统日益复杂化的今天,如何高效、灵活地进行配置管理成为了技术团队面临的一大挑战。幸运的是,有这样一款由Apache基金会孵化的重量级开源工具——Apache-ServiceComb-Kie,它以简洁而强大的设计,为我们打开了一个全新的配置管理世界。 项目介绍 Apache-ServiceComb-K...

gitblog_00091的博客 1081

Apache ServiceComb Service Center:微服务架构的终极服务注册与发现平台

Apache ServiceComb Service Center 是一个基于 Restful 协议的开源服务注册中心和服务治理平台,专为构建微服务架构的应用程序设计。它提供微服务发现与管理功能,基于 Open API 格式,支持服务注册发现、容错、动态路由、通知订阅等核心能力,具备高性能缓存设计和独立的微服务实体管理,开箱即支持指标监控与追踪,并提供直观的 Web 管理界面。 ## 为什么选择

gitblog_00957的博客 1068
上一篇: 如何从业务和平台两方面入手,设计更具可靠性的微服务
下一篇: 基于ServiceComb的分布式运维思路
looook
博客等级 码龄20年 145粉丝 195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