非常强悍的 RabbitMQ 总结，干货满满，看到就是赚到！

java架构那些事 java架构那些事 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 300+累计阅读 364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6年
关注
原创 最新推荐文章于 2026-05-02 09:20:04 发布 364 阅读 AI 写同款· GEO 优化 ›
RabbitMQ从原理到实战—基于Golang【万字详解】 最近秋招开始找工作，顺便回顾消息队列并且总结。 阅读详情

RabbitMQ是基于AMQP协议的，通过使用通用协议就可以做到在不同语言之间传递。

AMQP协议

核心概念

  1. server：又称broker，接受客户端连接，实现AMQP实体服务。
  2. connection：连接和具体broker网络连接。
  3. channel：网络信道，几乎所有操作都在channel中进行，channel是消息读写的通道。客户端可以建立多个channel，每个channel表示一个会话任务。
  4. message：消息，服务器和应用程序之间传递的数据，由properties和body组成。properties可以对消息进行修饰，比如消息的优先级，延迟等高级特性；body是消息实体内容。
  5. Virtual host：虚拟主机，用于逻辑隔离，最上层消息的路由。一个Virtual host可以若干个Exchange和Queue，同一个Virtual host不能有同名的Exchange或Queue。
  6. Exchange：交换机，接受消息，根据路由键转发消息到绑定的队列上。
  7. banding：Exchange和Queue之间的虚拟连接，binding中可以包括routing key
  8. routing key：一个路由规则，虚拟机根据他来确定如何路由 一条消息。
  9. Queue：消息队列，用来存放消息的队列。

Exchange

再附上 Java 面试 + Java 核心知识学习笔记，这几年及春招的总结，github 20k star，拿去不谢！

添加小助手VX：xuanwo008即可领取

下载方式

1、点赞+评论（勾选“同时转发”）

2、关注小编。并私信回复关键字【学习】（一定要私信哦~点击我的头像就能看到私信按钮了）

 

交换机的类型，direct、topic、fanout、headers，durability（是否需要持久化true需要）auto delete当最后一个绑定Exchange上的队列被删除Exchange也删除。

  1. Direct Exchange,所有发送到Direct Exchange的消息被转发到RouteKey 中指定的Queue,Direct Exchange可以使用默认的默认的Exchange （default Exchange），默认的Exchange会绑定所有的队列，所以Direct可以直接使用Queue名（作为routing key ）绑定。或者消费者和生产者的routing key完全匹配。
  2. Toptic Exchange,是指发送到Topic Exchange的消息被转发到所有关心的Routing key中指定topic的Queue上。Exchange 将routing key和某Topic进行模糊匹配，此时队列需要绑定一个topic。所谓模糊匹配就是可以使用通配符，“#”可以匹配一个或多个词，“”只匹配一个词比如“log.#”可以匹配“log.info.test” "log. "就只能匹配log.error。
  3. Fanout Exchange:不处理路由键，只需简单的将队列绑定到交换机上。发送到改交换机上的消息都会被发送到与该交换机绑定的队列上。Fanout转发是最快的。

消息如何保证100％投递

什么是生产端的可靠性投递？

  1. 保证消息的成功发出
  2. 保证MQ节点节点的成功接收
  3. 发送端MQ节点（broker）收到消息确认应答
  4. 完善消息进行补偿机制

可靠性投递保障方案

消息落库，对消息进行打标

消息的延迟投递

在高并发场景下，每次进行db的操作都是每场消耗性能的。我们使用延迟队列来减少一次数据库的操作。

消息幂等性

我对一个动作进行操作，我们肯能要执行100次1000次，对于这1000次执行的结果都必须一样的。比如单线程方式下执行update count-1的操作执行一千次结果都是一样的，所以这个更新操作就是一个幂等的，如果是在并发不做线程安全的处理的情况下update一千次操作结果可能就不是一样的，所以并发情况下的update操作就不是一个幂等的操作。对应到消息队列上来，就是我们即使受到了多条一样的消息，也和消费一条消息效果是一样的。

高并发的情况下如何避免消息重复消费

  1. 唯一id+加指纹码，利用数据库主键去重。优点：实现简单缺点：高并发下有数据写入瓶颈。
  2. 利用Redis的原子性来实习。使用Redis进行幂等是需要考虑的问题
  • 是否进行数据库落库，落库后数据和缓存如何做到保证幂等（Redis   和数据库如何同时成功同时失败）？
  • 如果不进行落库，都放在Redis中如何这是Redis和数据库的同步策略？还有放在缓存中就能百分之百的成功吗？

confirm 确认消息、Return返回消息

理解confirm消息确认机制

  • 消息的确认，指生产者收到投递消息后，如果Broker收到消息就会给我们  的生产者一个应答，生产者接受应答来确认broker是否收到消息。

如何实现confirm确认消息。

  • 在Channel上开启确认模式：channel.confirmSelect()
  • 在channel上添加监听：addConfirmListener，监听成功和失败的结果，具体结果对消息进行重新发送或者记录日志。

return消息机制

Return消息机制处理一些不可路由的消息，我们的生产者通过指定一个Exchange和Routinkey，把消息送达到某一个队列中去，然后我们消费者监听队列进行消费处理！

在某些情况下，如果我们在发送消息的时候当Exchange不存在或者指定的路由key路由找不到，这个时候如果我们需要监听这种不可到达的消息，就要使用Return Listener！

Mandatory 设置为true则会监听器会接受到路由不可达的消息，然后处理。如果设置为false，broker将会自动删除该消息。

消费端自定义监听

消费端限流

假设我们有个场景，首先，我们有个rabbitMQ服务器上有上万条消息未消费，然后我们随便打开一个消费者客户端，会出现：巨量的消息瞬间推送过来，但是我们的消费端无法同时处理这么多数据。

这时就会导致你的服务崩溃。其他情况也会出现问题，比如你的生产者与消费者能力不匹配，在高并发的情况下生产端产生大量消息，消费端无法消费那么多消息。

  • rabbitMQ提供了一种qos（服务质量保证）的功能，即非自动确认消息的前提下，如果有一定数目的消息（通过consumer或者Channel设置qos）未被确认，不进行新的消费。

void basicQOS(unit prefetchSize,ushort prefetchCount,Boolean global)方法。

  • prefetchSize:0 单条消息的大小限制。0就是不限制，一般都是不限制。
  • prefetchCount: 设置一个固定的值，告诉rabbitMQ不要同时给一个消费者推送多余N个消息，即一旦有N个消息还没有ack，则consumer将block掉，直到有消息ack
  • global：truefalse 是否将上面的设置用于channel，也是就是说上面设置的限制是用于channel级别的还是consumer的级别的。

消费端ack与重回队列

  • 消费端进行消费的时候，如果由于业务异常我们可以进行日志的记录，然后进行补偿！（也可以加上最大努力次数的尝试）
  • 如果由于服务器宕机等严重问题，那我们就需要手动进行ack保证消费端的消费成功！

消息重回队列

  • 重回队列就是为了对没有处理成功的消息，把消息重新投递给broker！
  • 实际应用中一般都不开启重回队列。

TTL队列/消息

TTL time to live 生存时间。

  • 支持消息的过期时间，在消息发送时可以指定。
  • 支持队列过期时间，在消息入队列开始计算时间，只要超过了队列的超时时间配置，那么消息就会自动的清除。

死信队列

死信队列：DLX，Dead-Letter-Exchange

利用DLX，当消息在一个队列中变成死信（dead message，就是没有任何消费者消费）之后，他能被重新publish到另一个Exchange，这个Exchange就是DLX。

消息变为死信的几种情况：

  1. 消息被拒绝（basic.reject/basic.nack）同时requeue=false（不重回队列）
  2. TTL过期
  3. 队列达到最大长度

DLX也是一个正常的Exchange，和一般的Exchange没有任何的区别，他能在任何的队列上被指定，实际上就是设置某个队列的属性。

当这个队列出现死信的时候，RabbitMQ就会自动将这条消息重新发布到Exchange上去，进而被路由到另一个队列。可以监听这个队列中的消息作相应的处理，这个特性可以弥补rabbitMQ以前支持的immediate参数的功能。

死信队列的设置

  • 设置Exchange和Queue，然后进行绑定

Exchange: dlx.exchange(自定义的名字)

queue: dlx.queue（自定义的名字）

routingkey: #（#表示任何routingkey出现死信都会被路由过来）

然后正常的声明交换机、队列、绑定，只是我们在队列上加上一个参数：

arguments.put("x-dead-letter-exchange","dlx.exchange");

rabbitMQ集群模式

  1. 主备模式：实现rabbitMQ高可用集群，一般在并发量和数据不大的情况下，这种模式好用简单。又称warren模式。（区别于主从模式，主从模式主节点提供写操作，从节点提供读操作，主备模式从节点不提供任何读写操作，只做备份）如果主节点宕机备份从节点会自动切换成主节点，提供服务。
  2. 集群模式：经典方式就是Mirror模式，保证100%数据不丢失，实现起来也是比较简单。
  • 镜像队列，是rabbitMQ数据高可用的解决方案，主要是实现数据同步，一般来说是由2-3节点实现数据同步，（对于100%消息可靠性解决方案一般是3个节点）

多活模式：这种模式也是实现异地数据复制的主流模式，因为shovel模式配置相对复杂，所以一般来说实现异地集群都是使用这种双活，多活的模式，这种模式需要依赖rabbitMQ的federation插件，可以实现持续可靠的AMQP数据。

rabbitMQ部署架构采用双中心模式（多中心）在两套（或多套）数据中心个部署一套rabbitMQ集群，各中心的rabbitMQ服务需要为提供正常的消息业务外，中心之间还需要实现部分队列消息共享。

多活架构如下：

federation插件是一个不需要构建Cluster，而在Brokers之间传输消息的高性能插件，federation可以在brokers或者cluster之间传输消息，连接的双方可以使用不同的users或者virtual host双方也可以使用不同版本的erlang或者rabbitMQ版本。federation插件可以使用AMQP协议作为通讯协议，可以接受不连续的传输。

Federation Exchanges,可以看成Downstream从Upstream主动拉取消息，但  
并不是拉取所有消息，必须是在Downstream上已经明确定义Bindings关系的  
Exchange,也就是有实际的物理Queue来接收消息，才会从Upstream拉取消息  
到Downstream。

使用AMQP协议实施代理间通信，Downstream 会将绑定关系组合在一起， 绑定/解除绑定命令将发送到Upstream交换机。

因此，Federation Exchange只接收具有订阅的消息。

HAProxy是一款提供高可用性、负载均衡以及基于TCP (第四层)和HTTP  
(第七层)应用的代理软件,支持虚拟主机，它是免费、快速并且可靠的一种解决  
方案。

HAProxy特别适用于那些负载特大的web站点，这些站点通常又需要会  
话保持或七层处理。HAProxy运行在时下的硬件上，完全可以支持数以万计的  
并发连接。

并且它的运行模式使得它可以很简单安全的整合进您当前的架构中  
同时可以保护你的web服务器不被暴露到网络上。

HAProxy性能为何这么好？

  1. 单进程、事件驱动模型显著降低了.上下文切换的开销及内存占用.
  2. 在任何可用的情况下，单缓冲(single buffering)机制能以不复制任何数据的方式完成读写操作，这会节约大量的CPU时钟周期及内存带宽
  3. 借助于Linux 2.6 (>= 2.6.27.19). 上的splice()系统调用，HAProxy可以实现零复制转发(Zero-copy forwarding),在Linux 3.5及以上的OS中还可以实现心零复制启动(zero-starting)
  4. 内存分配器在固定大小的内存池中可实现即时内存分配，这能够显著减少创建一个会话的时长
  5. 树型存储:侧重于使用作者多年前开发的弹性二叉树，实现了以O(log(N))的低开销来保持计时器命令、保持运行队列命令及管理轮询及最少连接队列

keepAlive

KeepAlived软件主要是通过VRRP协议实现高可用功能的。VRRP是  
Virtual Router RedundancyProtocol(虚拟路由器冗余协议)的缩写,  
VRRP出现的目的就是为了解决静态路由单点故障问题的，它能够保证当  
个别节点宕机时，整个网络可以不间断地运行所以，Keepalived - -方面  
具有配置管理LVS的功能，同时还具有对LVS下面节点进行健康检查的功  
能，另一方面也可实现系统网络服务的高可用功能

keepAlive的作用

  1. 管理LVS负载均衡软件
  2. 实现LVS集群节点的健康检查中
  3. 作为系统网络服务的高可用性(failover)

Keepalived如何实现高可用

Keepalived高可用服务对之间的故障切换转移，是通过VRRP (Virtual Router  
Redundancy Protocol ,虚拟路由器冗余协议)来实现的。

在Keepalived服务正常工作时，主Master节点会不断地向备节点发送( 多播的方式)心跳消息，用以告诉备Backup节点自己还活看，当主Master节点发生故障时，就无法发送心跳消息，备节点也就因此无法继续检测到来自主Master节点的心跳了，于是调用自身的接管程序，接管主Master节点的IP资源及服务。

而当主Master节点恢复时备Backup节点又会释放主节点故障时自身接管的IP资源及服务，恢复到原来的备用角色。

最后，再附上 Java 面试 + Java 核心知识学习笔记，这几年及春招的总结，github 20k star，拿去不谢！

添加小助手VX：xuanwo008即可领取

 

下载方式

添加小助手VX：xuanwo008即可领取

 

标签
#队列 #交换机 #网络 #数据库 #分布式
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。
Golang之消息队列——RabbitMQ的使用 消息队列的使用场景 异步处理       异步是指不用一次性执行完，可以先去执行别的，等这边回应了再做处理。这里我就拿一个网上用烂的例子：用户注册。用户在正确填写信息后点击注册，这时会发起网络请求到后端去做数据合法性等的验证，一旦验证通过则会将数据写入数据库并返回注册成功类的信息。但现在很多的应用都会有短信、邮箱等其他媒介的额外通知，这些... 阅读详情

相关推荐

Debian下Rust环境极速安装指南：国内镜像+避坑配置（附清华/中科大源对比）

本文详细介绍了在Debian系统上快速安装和配置Rust开发环境的完整指南。针对国内网络环境，重点对比评测了清华大学、中国科学技术大学等主流镜像源，提供了详细的安装配置步骤、Cargo优化技巧以及常见问题排查方案，帮助开发者显著提升依赖下载和编译效率。

s8t9u0v1w的博客 1162

RabbitMQ （四） 路由选择 (Routing)

上一篇博客我们建立了一个简单的日志系统，我们能够广播日志消息给所有你的接收者，如果你不了解，请查看：RabbitMQ （三） 发布/订阅。本篇博客我们准备给日志系统添加新的特性，让日志接收者能够订阅部分消息。例如，我们可以仅仅将致命的错误写入日志文件，然而仍然在控制面板上打印出所有的其他类型的日志消息。 1、绑定（Bindings） 在上一篇博客中我们已经使用过绑定。类似下面的...

weixin_30917213的博客 570

腾讯云DBA面试(一面)

在第二阶段，根据RM返回的结果，如果涉及分布式事务的所有RM都返回可以提交， 则TM给RM发送commit的命令，每个RM实现自己的提交，同时释放锁和资源，然后RM反馈提交成功， TM完成整个分布式事务；根据事务所处的阶段，可以回滚到具体的版本，实现一致性。1.并发执行的事务，在prepare阶段，redo log先写文件缓存，第一个领头的事务，在等待n个事务后， 在第一个事务去刷写磁盘时，会把同组的其他的事务，也一起刷写到磁盘上，这样就减少了刷盘的次数，降低了磁盘的IOPS。分布式锁是怎么实现的？

u012565458的博客 1978

AMQP：企业服务器通过 AMQP 接入物联网平台血泪史

一、基础 数据流向 需要创建设备的参考阿里云提供的官方文档 二、环境搭建 简单说一下搭建流程 ①、创建边缘实例和网关 参考https://help.aliyun.com/document_detail/102729.html?spm=a2c4g.11186623.6.561.119c71b8Mji3Oj ②、安装并启动Link IoT Edge 参考https://help.aliyun.com/document_detail/102729.html?spm=a2c4g.11186623.6.561.11

不懂一休 1万+

医学图像分割实战：基于TransUNet训练自己的眼底硬渗出物数据集（附完整代码）

本文详细介绍了基于TransUNet的眼底硬渗出物分割实战指南，涵盖数据预处理、模型调优、训练策略及性能优化等关键环节。通过代码复现和实验对比，展示了TransUNet在医学图像分割中的优势，为糖尿病视网膜病变的早期诊断提供技术支持。

weixin_42524708的博客 364

COMSOL网格划分技巧总结

在对马赫曾德尔型光学传感器进行模拟仿真时，在采用自动物理场自动控制网格-极细化的情况下透射谱曲线仍不理想，因此需要手动划分网格来对其进行更精细的剖分。 手动划分的基本原则是在作用边界，热点，曲边处做细致划分， 基底，包层等做粗略划分。对于光波导型的微纳结构，在仿真时一般需要用到创建边界层网格。 1.COMSOL所需要的网格数量 网格单元数越多，结果精细度越高，计算所需内存越多。在细化到一定程度后网格收敛，仿真结果提升不明显。 2.网格剖分类型 ...

qq_42453337的博客 4万+

消息中间件 —— ActiveMQ 使用及原理详解

一开始消息中间件的厂商繁多，且各个厂商之间没有统一的规范，这就导致了各消息中间件非常难以整合协作，因此，后来陆续出现了如 JMS 和 AMQP 这样的消息队列规范，提供了统一的标准，而 ActiveMQ 就是完全遵循 JMS 规范开发的消息队列。

流华追梦的专栏 3053

台达B3伺服电机485通讯的调试过程

最近上了一项目，没办法直接把B3伺服接到PLC上去，怎么办？偶说试下直接电脑通过100多米的485线控制好了，定型前的测试就这样展开了。 1、焊CN1口 如果不安装CN1，是开不了机的，要报很多错误，比如SERV EMG ALERT， 上限报警，下限报警什么的，怎么办？直接焊好CN1头子吧，烦了点，但是必要的。 主要接的是11,9,10,32,31,30几个脚，按照图上连接好就是了。 2、 接线路 按照上面的图，接上伺服电机线，编码器线，电源线，包括限位常闭开关、485连线等，就完..

shidong01的博客 1万+

RabbitMQ（Golang版本）

一、RabbitMQ 简介 消息队列是一种应用程序对应用程序的通信方法。应用程序通过读写出入队列的消息（针对应用程序的数据）来通信，而无需专用连接来链接它们。消息传递指的是程序之间通过在消息中发送数据进行通信，而不是通过直接调用彼此来通信，直接调用通常是/用于诸如远程过程调用的技术。排队指的是应用程序通过 队列来通信。队列的使用除去了接收和发送应用程序同时执行的要求。 二、使用场景 1.解耦 场景说明：用户下单后，订单系统需要通知库存系统。传统的做法是，订单系统调用库存系统的接口。 传统模式的缺点： 如

qq_42649688的博客 2737

Abaqus中Cohesive单元建模：从本构到失效的完整指南

本文提供了Abaqus中Cohesive单元建模的完整指南，涵盖从本构模型到失效分析的全过程。详细解析了Cohesive单元作为模拟界面粘结与失效的关键工具，其核心在于弹性本构、损伤起始准则和损伤演化定律的设置。文章通过双悬臂梁（DCB）实例，手把手指导前处理、材料定义、求解设置及后处理分析，并分享了刚度、强度、断裂能等关键参数的影响与收敛性调优的实用避坑技巧，帮助用户准确模拟复合材料及胶接结构的界面失效行为。

cuda7parallel的博客 702

由JavaScript版迷宫游戏引出Java版迷宫地图生成器

Java案例：迷宫地图生成器 一、引入问题 本期18软件1班网页脚本实训项目是完成一个JavaScript版迷宫游戏。 迷宫地图是如何生成的呢？很简单，将一个正方形区域等分为若干行与若干列，比如25行25列，这样就有625个单元格，用一个二维数组map[25][25]就可以保存625个单元格信息，map[i][j] = 1表示该单元格要绘制砖，而map[i][j] = 0表示该单元格不绘制砖。 ...

howard2005的专栏 1473

Linux环境安装和操作rabbitmq教程

Linux环境安装和操作rabbitmq教程

qq_45839663的博客 2252

Vue3 - 实现集成配置百度语音识别转文字，长按或开启录音并将录音文件实时转换为文字，上传音频文件利用百度语音识别API转换为文本并展示（vue3百度智能云API实现上传录音文件并转换成文字案例）

vue3对接百度智能云语音识别，vue3 h5移动端网页中实现语音识别，百度语音识别录音转文字_百度智能云，vue3如何使用百度语音识别，如何将语音转文字，使用vue3实现录音并将录音转换为文字，vue3如何实现语音输入功能功能，vue3集成百度智能云API实现录音转文字详细教程完整示例代码demo，VUE3使用百度语音识别语音转文字，vue调用百度语音识别，vue3百度语音识别文字并展示功能，vue3免费语音转文本api，百度语音识别申请配置教程，Vue3项目配置自定义界面百度语音识别转文字和原生使用方式

🏆 前端领域优质创作者 2730

RabbitMq安装部署指南

RabbitMq安装部署指南

li18230143817的博客 2031

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

Golang使用RabbitMQ的四种工作模式

​ RabbitMQ 2007年发布，是一个在 AMQP (高级消息队列协议)基础上完成的，可复用的企业消息系统，是当前最主流的消息中间件之一。RabbitMQ是同Erlang语言开发对于一般的使用场景而言是一个非常不错的选择。

m0_52530105的博客 1492

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")

一、RabbitMQ版本选择

RabbitMQ 更新记录：https://www.rabbitmq.com/changelog.html 下载链接：https://www.rabbitmq.com/download.html 官网链接：https://www.rabbitmq.com/news.html 配置文件：https://www.rabbitmq.com/configure.html Erlang 官网链接...

weixin_43046724的博客 9855

golang之消息队列rabbitmq

之前我写过一篇关于rocketmq的文章，因为rabbitmq的使用更广泛，所以写一篇关于rabbitmq，及go如何操作rabbitmq的笔记。 消息队列的作用： 异步，将同步的消息变为异步 解耦，将单体服务拆分多个微服务，实现了分布式部署，单个服务的修改、增加或删除，不影响其他服务，不需要全部服务关闭重启 抗压，由于是异步，解耦的，高并发请求到来时，我们不直接发送给服务，而是发给MQ，让服务决定什么时候接收消息，提供服务，这样就缓解了服务的压力 图示： 用户注册后发邮件和虚拟币： 异步解耦图： 抗压

weixin_50134791的博客 6360

【Golang】RabbitMq使用

创建一个简单的 Go 项目来学习 RabbitMQ 的基本操作。我们将创建一个生产者和消费者的示例。

lcadna的博客 877

Go语言的消息队列与RabbitMQ

1.背景介绍 1. 背景介绍 消息队列是一种在分布式系统中实现解耦的方法，它允许不同的系统或服务通过异步的方式传递消息。在现代应用程序中，消息队列被广泛使用，以实现高可用性、弹性和扩展性。Go语言是一种现代编程语言，它具有简洁的语法、高性能和强大的并发支持。在本文中，我们将探讨Go语言如何与RabbitMQ消息队列集成，以及如何实现高效的异步通信。 2. 核心概念与联系 2.1 Go语言 ...

AI天才研究院 1635

消息中间件之 Rabbitmq 的下载安装和使用详细说明

Rabbitmq 很难安装，按照步骤无脑操作即可安装成功。

zwl2220943286的博客 1737

【RabbitMQ】RabbitMQ各版本的兼容性与技术支持时限

今天在研究RabbitMQ的监控时，发现这个消息队列软件的版本真的很令人崩溃，版本众多，且版本。Out-of-Support为官方已经不再提供技术支持的版本；（一）下表是RabbitMQ与Erlang的版本适配信息。On-Support为官方仍在提供技术支持的版本；（二）RabbitMQ各大版本的技术支持时限。

cnskylee的博客 1万+

RabbitMQ（3.8.8)

RabbitMQ消息队列 版本：3.8.8 1. 简介 1. 消息队列 ​ MQ(messagequeue)，从字面意思上看，本质是个队列，FIFO先入先出，只不过队列中存放的内容是message而已，还是一种跨进程的通信机制，用于上下游传递消息。在互联网架构中，MQ是一种非常常见的上下游“逻辑解耦+物理解耦”的消息通信服务。使用了MQ之后，消息发送上游只需要依赖MQ，不用依赖其他服务。 2. 功能 2.1 流量削峰 ​ 在高流量的情况下，消息队列可以作为一个缓冲的中间件，将高峰的流量消息存入消息

球球你被学了的博客 4041

Golang与RabbitMQ

文章目录 RabbitMQ 概述 RabbitMQ 特点 RabbitMQ基础概念 RabbitMQ 工作流程 Golang 操作RabbitMQ 基础队列使用 工作队列 参考资料 RabbitMQ 概述 RabbitMQ是采用Erlang编程语言实现了高级消息队列协议AMQP (Advanced Message Queuing Protocol)的开源消息代理软件（消息队列中间件） 市面上流行的消息队列中间件有很多种,而RabbitMQ只是其中比较流行的一种 我们简单

m0_67391521的博客 2291

RabbitMQ(学习笔记)

Erlang面向并发的。经常开发游戏。微服务未必要用java写，所以使用RabbitMQ的优势就体现出来了。微信的日活跃用户多，会出现高并发，其他的出现高并发的可能性不高。日志处理，一般用kafka。Docker->Redis->ZooKeeper->RabbitMQ为什么都需要安装在服务器上呀？交换机负责路由转发消息的，它本身没有存储消息的能力。

m0_74728220的博客 852

RabbitMQ 从原理到实战—golang版本

RabbitMQ是由erlang语言开发，基于AMQP（Advanced Message Queue 高级消息队列协议）协议实现的消息队列，它是一种应用程序之间的通信方法，消息队列在分布式系统开发中应用非常广泛。特点：基于AMQP协议来实现。主要特征是面向消息、队列、路由（包括点对点和发布/订阅）、可靠性、安全。AMQP协议更多用在企业系统内，对数据一致性、稳定性和可靠性要求很高的场景，对性能和吞吐量的要求还在其次。可靠性：采用一系列机制来确保消息的可靠性，如持久化、传输确认和发布确认等方法。

小张编程旅途的博客 1966
上一篇： 不只是fastjson，这个你每天都在用的类库也被爆过反序列化漏洞！
下一篇： Java程序员非要进大厂才能拿到年薪50W+，从而告别重复的CRUD？
点赞 0
评论 0
书签 书签 0
java架构那些事
java架构那些事
博客等级 码龄6年 6粉丝 39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