Skywalking部署及使用

qq_34412985 qq_34412985 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 700+累计阅读 757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11年
关注
原创 最新推荐文章于 2026-07-21 16:19:14 发布 757 阅读 AI 写同款· GEO 优化 ›
SkyWalking Server配置文件说明 application.yml cluster集群相关配置 #集群配置 cluster: # 选择哪一种集群模式 selector: ${SW_CLUSTER:standalone} # 单机版 standalone: # zk 注册集群配置，zk 版本保证在3.5以上，oap-libs中也对3.4进行了支持 zookeeper: nameSpace: ${SW_NAMESPACE:""} hostPort: ${SW_CLUSTER_ZK_HOST_PORT:l 阅读详情

前言

首先有必要说明一下为什么使用skywalking。

我对zipkin、cat和skywalking这几个较为主流的监控产品做了一些调研和对比，其中zipkin是我项目中之前已经在使用的，我也写过一些相关的文章，而cat仅是通过资料收集并没有实际的使用，可能会与实际情况有一定偏差，整理以后情况汇总如下表：

项目CatZipkinSkywalking
调用链可视化有有有
聚合报表非常丰富少较丰富
服务依赖图简单简单好
埋点方式侵入式侵入式非侵入，字节码增强
VM监控指标好无有
支持语言java/.net丰富java/.net/Nodejs/php/go
存储机制mysql（报表）、本地文件/HDFS（调用链）内存、es、mysql等H2、es
社区支持主要在国内国外主流Apache支持
使用案例美团、携程、陆金所京东、阿里定制后不开源华为、小米、当当、微众银行
APM是否是
开发基础eBay calGoogle DapperGoogle Dapper
是否支持webflux否是是
Github stars(2019.12)12.3K12.2K11.8K

然后根据上表说一下为什么我选择用Skywalking来替换掉已经在用的zipkin，主要理由有以下几点：

  1. 我的微服务体系选用的服务网关是spring-cloud-gateway，是基于webflux实现的，很多监控并不支持，比如我司使用的商业化监控产品-听云，从资料来看cat也不支持；
  2. 我想要监控接口级别的指标，如吞吐量、p99等，这些是目前zipkin不足的地方，而Skywalking这方面做得不错；
  3. Skywalking是非侵入式的，通过-javaagent机制运行时注入，即使以后更换监控方案也不需要对代码大动干戈。

Skywalking架构

我使用的是最新版6.5.0，该版本下Skywalking主要分为oap、webapp和agent三部分，oap和webapp分别用于汇总数据和展示，这两块共同组成了Skywalking的平台；agent是探针，部署在需要收集数据的应用服务器上，并将数据同步到Skywalking的平台。

oap配置

在github的Skywalking项目中下载最新版安装包apache-skywalking-apm-es7-8.4.0.tar.gz

tar -zxf  apache-skywalking-apm-es7-8.4.0.tar.gz

环境要求：skywalking版本7.0

          elasticsearch版本7还得单独安装插件

          Java 环境1.8

在服务器上解压该安装包，并进入config文件夹，对application.yml进行设置，主要设置如下几个部分

cluster:
  standalone:

我为了试用部署的单机模式，所以使用默认的standalon，集群部署的话还支持zookeeper、consul、etcd、nacos等。

core:
  default:
    # Mixed: Receive agent data, Level 1 aggregate, Level 2 aggregate
    # Receiver: Receive agent data, Level 1 aggregate
    # Aggregator: Level 2 aggregate
    role: ${SW_CORE_ROLE:Mixed} # Mixed/Receiver/Aggregator
    restHost: ${SW_CORE_REST_HOST:0.0.0.0}
    restPort: ${SW_CORE_REST_PORT:12800}
    restContextPath: ${SW_CORE_REST_CONTEXT_PATH:/}
    gRPCHost: ${SW_CORE_GRPC_HOST:0.0.0.0}
    gRPCPort: ${SW_CORE_GRPC_PORT:11800}

 这里的restPort和gRPCPort分别代表通过rest方式和graphql方式访问的端口，没有特殊需求建议按默认配置。

storage中selector本次安装选择mysql，在数据库中也创建了对应的数据库，但是没有创建对应的表，服务调用后在图形化界面也可以看到数据，不知数据存在哪里了？

 

  1. 执行./bin目录下的startup.sh则启动了采集数据收集的服务以及前端的服务
  2. skywalking服务端一共有三个端口  前端页面8080默认  采集数据的接收服务11800端口，前后台数据交互服务12800端口， 如需修改的话，
    1. 前端在./webapp目录下的配置文件中就可以修改前端的启动端口以及和后台服务的交互端口

后台的端口则在./config/application.yml中进行修改

存储可以支持es，H2和mysql，官方比较推荐的是es，所以我也根据自己的es进行了配置。需要说明的是这里只支持6.3.2 ~ 7.0.0 (excluded)版本的es，使用7.x.x版本的es需要另外下载apache-skywalking-bin-es7.tar.gz包。

另外，为了性能考虑，官方建议在es的elasticsearch.yml配置中增加以下内容

thread_pool.index.queue_size: 1000 #只适用于ElasticSearch 6
thread_pool.write.queue_size: 1000 #适用于ElasticSearch 6 and 7

index.max_result_window: 1000000 #trace页面出错时记得设置

webapp配置

webapp的配置文件在/webapp/webapp.yml中

 

server:
  port: 8080 #访问页面使用的端口

collector:
  path: /graphql
  ribbon:
    ReadTimeout: 10000
    # Point to all backend's restHost:restPort, split by ,
    listOfServers: 127.0.0.1:12800

这里默认使用graphql方式访问oap的数据收集端口，因此监听的是12800端口，并且因为我把oap和webapp部署在同一台服务器上，地址默认就使用了127.0.0.1。 

平台启动

在/bin目录下已经有了完备的脚本，可以通过startup .sh同时启动oap和webapp进程，该脚本实际做的事情也就是调用同目录下的oapService.sh和webappService.sh脚本，脚本内容如下所示。因此如果我们考虑分开部署这两个进程的话可以单独调用对应的脚本来运行。

#!/usr/bin/env sh

PRG="$0"
PRGDIR=`dirname "$PRG"`
OAP_EXE=oapService.sh
WEBAPP_EXE=webappService.sh

"$PRGDIR"/"$OAP_EXE"

"$PRGDIR"/"$WEBAPP_EXE"

2 agent 的部署

  1. 复制skywalking介质中的./agent目录，有多少个服务我们就复制多少个agent，每个服务使用单独一个agent
  2. 进入./agent/config目录中修改agent的配置

其中agent.service_name是我们采集的服务名称，可以随便定义

collector.backend_service是agent往skywalking服务端推送采集数据的服务配置

3 agent的服务启动

  • JAR file
    Add     -javaagent argument to command line in which you start your app. eg:

java -javaagent:/path/to/skywalking-agent/skywalking-agent.jar -jar yourApp.jar

例如：nohup java -javaagent:$SW$1/skywalking-agent.jar -jar -Xms768m -Xmx768m $MICRO_PATH/jar/dqc-0.0.1-SNAPSHOT.jar --spring.profiles.active=$MICRO_ENV  --$SERVER_IP=$IP_NUM> /dev/null 2>&1 &

插件使用

默认情况agent是不支持对spring-cloud-gateway的监控的，需要插件的支持。我们要将optional-plugins下的插件apm-spring-cloud-gateway-2.x-plugin-6.5.0.jar拷贝到plugins下，使agent可以加载到该插件，其他一些需要额外插件支持的中间件和框架也是同理操作。

部署完成以后效果如图

基本可以满足我的指标监控需求，值得一提的是如果配置一切正常却没有数据显示的话，一定要检查右下角的时间轴对不对，不要问我是怎么知道的。。。

目前的部署和使用还是基于虚拟机的，由于我的项目在生产环境已经上容器了，后续应用到线上前会研究一下如何在容器中部署和使用skywalking以及如何和注册中心结合达到高可用。当然，告警规则的配置也需要琢磨一下。

 

 

 

收录于
springcloud

当前文章被收录于：

springcloud
44 篇文章 0 人学习
订阅专栏 查看详情
apm

当前文章被收录于：

apm
2 篇文章 0 人学习
订阅专栏 查看详情
标签
#java #spring boot #skywalking
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。
SpringBoot整合SkyWalking使用详解 《SkyWalking与SpringBoot集成指南》摘要 本文提供了一份完整的Apache SkyWalking与SpringBoot微服务监控集成方案。从基础概念出发，详细介绍了： 核心组件：包括Agent探针、OAP分析平台和UI界面 部署方式：提供Docker和传统部署两种方案 集成步骤： 多服务SpringBoot项目搭建 Agent配置与集成方法 日志和链路追踪实现 高级功能： 自定义插件开发 指标定制与告警配置 性能优化策略 生产实践： 高可用架构设计 安全配置建议 运维自动化脚本 文档包含完 阅读详情

相关推荐

Skywalking部署

下载源代码包，下面会使用 agent即为启动成功。注意：等待 elasticsearch 启动完成，再启动 OAP将apache-skywalking-apm-6.6.0.tar.gz解压到/opt目录进入opt目录cd /opt/默认8080端口可能被占用，可以改成其他的，如35567打包后放到了/opt/目录下，名字是spring-boot-demo-0.0.1-SNAPSHOT.jar因为机制为懒加载，所以当只有你调用该java接口时，页面上才有显示。所以第一次访问时，数据是没有的。

weixin_40711132的博客 1063

skywalking简单入门使用

skywalking

qq_42445433的博客 7724

Liunx部署skywalking以及skywalking基本使用

Liunx部署skywalking以及skywalking基本使用1：首先先去官网下载所需的skywalking文件skywalking官网地址下载SkyWalking文件选择版本进行下载下载Agents文件2：SkyWalking文件放在服务器上，我是用的Xftp传输工具 （可使用自定义的传输方式）（压缩包进行解压）5:这两句话表明启动成功。

LiuDongHu的博客 1638

skywalking搭建与使用

前言 在分布式环境中，对于服务的监控与链路追踪变得越来越重要，简单来说，相比单体应用，分布式环境下的服务链路变得更长，问题定位、排查与解决也更加复杂，因此使用一款好的服务监控工具可以为Java开发人员和运维人员大大提升工作效率 目前，对于微服务应用的监控体现在多个维度上，比如应用层的监控，大家熟知的各自restFul接口，数据库层面的监控，比如sql执行，慢查询sql检测，服务链路追踪，比如A服务通过feign调用B服务，B再调C服务等，服务器性能上的监控，比如JVM等相关参数等 以上大概罗列了实际应用中比

congge 7548

SkyWalking应用部署案例

使用提供gpmall-shopping-0.0.1-SNAPSHOT.jar、gpmall-user-0.0.1-SNAPSHOT.jar、shopping-provider-0.0.1-SNAPSHOT.jar、user-provider-0.0.1-SNAPSHOT.jar 、dist这5个包部署应用系统，其中4个jar包为后端服务包，dist为前端包。将node-1节点的/opt/apache-skywalking-apm-bin-es7目录下的agent目录复制到mall节点下。

zc20050706的博客 2492

ADS Layout设计实战：从参数设置到协同仿真

本文详细介绍了ADS Layout设计的完整实战流程，从新建工程、单位设置、个性化偏好配置等基础操作入手，逐步深入到基板参数配置、端口设置与电磁仿真器选择等核心环节。重点阐述了参数化版图设计与扫描优化、以及原理图与Layout协同仿真的高级技巧，并通过一个微带线低通滤波器设计案例，完整演示了从理论到实现的闭环设计方法，帮助工程师高效、准确地完成高频电路版图设计与验证。

weixin_29268637的博客 797

日志之SkyWalking使用讲解

skywalking是一个优秀的国产开源框架，2015年由个人吴晟（华为开发者）开源 ， 2017年加入Apache孵化器。短短两年就被Apache收入麾下，实力可见一斑。skywalking支持dubboSpringBoot集成，代码无侵入，通信方式采用GRPC，性能较好，实现方式是java探针，支持告警，支持JVM监控，支持全局调用统计等等，功能较完善。

上善若泪 3818

Cursor3.0新界面使用说明

本文摘要：Cursor 3.x版本更新后，提供了两套主界面：Editor（类似VSCode的代码编辑器）和AgentsWindow（以AI智能体为中心的新界面）。Editor适合日常编码，AgentsWindow则支持并行运行多个AI任务、云端协作和多仓库管理。通过Ctrl+E可快速切换布局。文章详细介绍了AI聊天面板的操作技巧、四种工作模式（Agent/Plan/Ask/Debug）的区别，以及AgentsWindow的多任务管理功能。同时提供了Windows快捷键速查、中文化设置方法，并对比了新旧版本的

2501_90421497的博客 725

『Skywalking』在Docker中快速部署Skywalking

📣读完这篇文章里你能收获到， 在Docker中快速部署Skywalking

老陈聊架构 3563

DSP在线升级方案:TMS320C6678使用网络或者串口输出升级数据进行固件升级

下面这段先引用创龙的说明 IBL 运行后， 将从 NOR FLASH 或 NAND FLASH 的 0x00080000 地址引导 ELF/BBLOB 格式 用户程序。 当引导 ELF 格式用户程序时， IBL 会解析用户程序头部信息，并根据头部信息 拷贝不同的代码段至指定 CPU 内存地址，然后将 PC 指针跳转至_c_int00， 再运行用户程 序。当引导 BBLOB 格式用户程序时，由于无头部信息， IBL 会将用户程序拷贝至 0x9E000000 （该内存地址为 IBL 代码指定），并将 PC..

ToneChip的专栏,一个传统的嵌入式码农,裸机编程 1941

COCO数据集缺失文件补全方法

本文代码是以目标检测（object detection）和实例分割（instance segmentation）任务的标签文件为例，即文件。其他任务的标签文件内容略有不同，但是图片来源表示字段完全相同，因此代码可通用。另外如果是非2017版本COCO应该也通用。msgspec是一个高性能的序列化和验证库，支持 JSON、MessagePack、YAML 和 TOML 等多种格式。高性能：在常见协议的编码/解码中表现出色，通常比其他库快10-80倍。零成本的模式验证。

qq_46396470的博客 1994

使用Helm部署 skywalking

使用Helm部署 skywalking环境简述准备工作克隆项目，更新chart仓库创建elastic-pv.yaml，持久化elasticsearch数据部署 SkyWalking 8.7.0 & Elasticsearch 7.5.2部署 Elasticsearch 7.5.2部署SkyWalking 8.7.0安装前调试预演安装验证更新 SkyWalking-Kubernetes 仓库提供了在 Kubernetes 集群中安装和配置 SkyWalking 的方法。 环境 Helm v3.6.3

Just so-so 1209

八路抢答器____一个作品的制作思路

学习了解到一个产品制作完全由一个人去采购，设计，仿真，画PCB。不光是需求的分析还有实现功能时如何搭建电路，和给出一个简单高效的设计方法也是至关重要的。

weixin_73690807的博客 1521

SkyWalking 介绍及部署

随着微服务架构的流行，一些微服务架构下的问题也会越来越突出，比如一个请求会涉及多个服务，而服务本身可能也会依赖其他服务，整个请求路径就构成了一个网状的调用链，而在整个调用链中一旦某个节点发生异常，整个调用链的稳定性就会受到影响。每条连线的颜色反应了服务之间的调用延迟情况，可以非常直观的看到服务与服务之间的调用状态，连线中间的点能点击，可显示两个服务之间链路的平均响应时间、吞吐率以及SLA等信息。agent 中指定服务名（SW_AGENT_NAME），不同的服务用不同的服务名区分。或者 定时任务重跑批处理。

weixin_44024436的博客 5171

Camera（5）metadata

Metadata 是整个 Android camera 中类似于高楼大厦中的管道系统一样，贯穿了整个 Camera 的 Framework 和 vendor HAL。Metadata 里面包含了所有的控制、参数、返回值等等。Metadata分为Android原生的Metadata和芯片商或者用户自定义的Metadata，即Android Tag和Vendor Tag。Vendor Tag在Hal中定义，并在camx和chi目录中使用。

qq_55893245的博客 3050

Python爬虫博客：如何抓取时事新闻信息 —— 从各大新闻网站获取实时新闻数据

发送请求：向目标新闻网站发送 HTTP 请求，获取网页内容。解析网页：使用解析库（如）从网页中提取新闻标题、摘要、内容、发布时间等。绕过反爬虫机制：使用代理、设置请求头、模拟浏览器行为等策略绕过反爬虫技术。数据存储与清洗：将抓取的数据保存到本地文件或数据库中，并进行清洗，确保数据的可用性。在抓取过程中，我们还会面对很多实际问题，比如反爬虫技术、分页抓取、动态加载的内容等。接下来，我们将逐步介绍如何使用不同技术抓取静态和动态网页，并对抓取的内容进行处理。Scrapy。

2201_76125261的博客 2135

Docker部署SkyWalking

Docker部署SkyWalking 文章目录Docker部署SkyWalking前置环境部署步骤部署服务端 skywalking-oap部署UI skywalking-ui服务器java项目部署源码包下载Jar 直接启动docker启动 前置环境 docker 19.03.13 ElasticSearch 7.2.0 部署步骤 部署服务端 skywalking-oap -- 使用6.6.0版本的skywalking，先部署服务端 docker run --name skywalking-oap

疯狂小草的博客 4133

skywalking部署

skywalking

k8seasz的博客 7878

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")

jre9下载 jdk9

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

k8s部署skywalking

部署skywalking

青春不流名 2549

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。

skywalking部署安装

说明：springboot项目加入skywalking，达到链路日志监控的目的.

qq_44209563的博客 2979

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

Skywalking的Helm Chart方式部署

k8s中的调用链监控方案——Skywalking

fxtxz2的专栏 1694

docker 部署Skywalking

jar包地址（官网）：https://skywalking.apache.org/downloads/阿里云：https://mirrors.aliyun.com/apache/skywalking/从 SkyWalking 官方网站下载对应版本的 Agent。参数指定 SkyWalking Agent 的路径。，您应该能够看到 SkyWalking 的界面。在启动 Spring Boot 应用时，通过。

weixin_45762066的博客 1599

K8S部署skywalking

文章目录一、安装K8S集群kubeadm部署K8s集群V1.19.0二、部署skywalking`2.1.创建命名空间``2.2.给节点打标签``2.3.skywalking-oap.yml``2.4.skywalking-ui.yml``2.5.访问`三、sidecar 模式挂载 agent四、微服务对接skywalking 一、安装K8S集群 kubeadm部署K8s集群V1.19.0 二、部署skywalking 2.1.创建命名空间 kubectl create ns skywalking 2

运维@小兵的博客 5243

在K8S集群中部署SkyWalking

咦，好像可以看到服务的各项指标，像SLA，Apdex这些，主要是能够进行请求的链路追踪，bug排查的利器。底层的存储组件使用 单节点ES，存储卷我用的是hdd的，因为是测试的，就省着用。对性能有要求的同学可以使用多节点，挂载SSD类型的磁盘。这样配置之后，启动 deployment 时，会先初始化一个 initContainer，然后在启动核心的 container pod。注意调整这两个参数，SW_CORE_RECORD_DATA_TTL和SW_CORE_METRICS_DATA_TTL。

mkii_hong的博客 3301
上一篇： Pinpoint分布式系统性能监控工具
下一篇： spring的@Autowired注入无法实例化service问题解决（继承netty的simpleInbountHandler处理类后无法实例化service）
点赞 0
评论 1
书签 书签 0
qq_34412985
qq_34412985
博客等级 码龄11年 143粉丝 983原创
+ 关注 专栏目录 订阅专栏
评论 1
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