2.Kafka_Zookeeper集群搭建

在同一台机器上搭建zk集群和kfaka集群。

一.Zookeeper集群搭建

1.创建zk安装目录

[root@master ~]# mkdir -p /opt/server/zookeeper/server1/data
[root@master ~]# mkdir -p /opt/server/zookeeper/server1/dataLog
[root@master ~]# mkdir -p /opt/server/zookeeper/server2/data
[root@master ~]# mkdir -p /opt/server/zookeeper/server2/dataLog
[root@master ~]# mkdir -p /opt/server/zookeeper/server3/data
[root@master ~]# mkdir -p /opt/server/zookeeper/server3/dataLog

2.下载zk-3.3.6,并解压到上述三个目录中

#下载
[root@master ~]# wget http://mirrors.cnnic.cn/apache/zookeeper/zookeeper-3.3.6/zookeeper-3.3.6.tar.gz
#解压
[root@master ~]# tar -zxvf  zookeeper-3.3.6.tar.gz -C /opt/server/zookeeper/server1
[root@master ~]# tar -zxvf  zookeeper-3.3.6.tar.gz -C /opt/server/zookeeper/server2
[root@master ~]# tar -zxvf  zookeeper-3.3.6.tar.gz -C /opt/server/zookeeper/server3

3.修改三个zk配置文件

[root@master ~]# cd /opt/server/zookeeper/server1/zookeeper-3.3.6/conf
[root@master conf]# cp -rf  zoo_sample.cfg   zoo.cfg
[root@master conf]# vim  zoo.cfg
    tickTime=2000
    initLimit=10
    syncLimit=5
    clientPort=2181    #2182,2183 
    dataDir=/opt/server/zookeeper/server1/data #server2和server3依次修改目录即可
    dataLogDir=/opt/server/zookeeper/server1/dataLog #server2和server3依次修改目录即可
    server.1=127.0.0.1:2888:3888
    server.2=127.0.0.1:2889:3889
    server.3=127.0.0.1:2890:3890
#创建zk的id编号
[root@master conf]# echo "1" > /opt/server/zookeeper/server1/data/myid
[root@master conf]# echo "2" > /opt/server/zookeeper/server2/data/myid
[root@master conf]# echo "3" > /opt/server/zookeeper/server3/data/myid

4.依次开启三个zk

[root@master conf]# cd /opt/server/zookeeper/server1/zookeeper-3.3.6/
[root@master zookeeper-3.3.6]# bin/zkServer.sh start
[root@master zookeeper-3.3.6]# cd /opt/server/zookeeper/server2/zookeeper-3.3.6/
[root@master zookeeper-3.3.6]#
内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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