深度学习（15）从头搭建模型到训练、预测示例总结

深度学习（15）从头搭建模型到训练、预测示例总结

  • 总结一下从头搭建模型的流程
  • 再次熟悉一下模型结构与训练、推理流程
  • 本文主要介绍通过 Pytorch 实现模型结构实现

1.价格预测

    要搭建一个深度学习网络模型用于价格预测，首先需要明确问题的类型（回归问题）以及输入数据的特点。假设你的目标是预测某种商品或房产等的价格，常用的方法是构建一个全连接神经网络（Feedforward Neural Network）。以下是搭建一个基本回归模型的步骤：

    1. 数据准备
      特征工程：收集并处理数据。通常包括数值型特征（如面积、数量、时间等）和类别型特征（如地区、类型等），并对类别特征进行独热编码。
      数据划分：将数据集划分为训练集和验证集。
    1. 网络结构设计
      输入层：每个输入特征对应一个神经元。
      隐藏层：通常可以使用2-3层隐藏层，每层包含几十到几百个神经元。激活函数使用ReLU（Rectified Linear Unit）。
      输出层：由于是回归任务，输出层使用一个神经元，不应用激活函数（或者使用线性激活函数），用于预测价格

  • 3.PyTorch 提供了更低级的控制，允许你定制化网络结构、训练过程和优化策略。下面是一个使用 PyTorch 实现的简单全连接神经网络（Feedforward Neural Network, FNN）来解决回归任务（价格预测）的问题。

  • 4.准备工作，安装所需的库：

pip install torch torchvision scikit-learn
  • 代码实现
import torch
import torch.nn as nn
import torch.optim as optim
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import numpy as np# 假设 X 是特征数据, y 是价格标签
# 这里我们使用随机生成数据作为示例
# 你需要替换为实际的数据
X = np.random.rand(1000, 10)  # 1000个样本，10个特征
y = np.random.rand(1000, 1)   # 1000个样本，目标价格# 数据标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)# 划分数据集
X_train, X_val, y_train, y_val = train_test_split(X_scaled, y, test_size=0.2, random_state=42)# 转换为PyTorch张量
X_train_tensor = torch.tensor(X_train, dtype=torch.float32)
y_train_tensor = torch.tensor(y_train, dtype=torch.float32)
X_val_tensor = torch.tensor(X_val, dtype=torch.float32)
y_val_tensor = torch.tensor(y_val, dtype=torch.float32)# 定义神经网络模型
class PricePredictor(nn.Module):def __init__(self, input_dim):super(PricePredictor, self).__init__()self.fc1 = nn.Linear(input_dim, 128)  # 输入层到隐藏层1self.fc2 = nn.Linear(128, 64)         # 隐藏层1到隐藏层2self.fc3 = nn.Linear(64, 32)          # 隐藏层2到隐藏层3self.fc4 = nn.Linear(32, 1)           # 隐藏层3到输出层def forward(self, x):x = torch.relu(self.fc1(x))  # ReLU 激活函数x = torch.relu(self.fc2(x))x = torch.relu(self.fc3(x))x = self.fc4(x)  # 输出层，不需要激活函数return x# 实例化模型
input_dim = X_train.shape[1]  # 输入维度（特征数）
model = PricePredictor(input_dim)# 定义损失函数和优化器
criterion = nn.MSELoss()  # 均方误差损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001)# 训练模型
num_epochs = 100
batch_size = 32
for epoch in range(num_epochs):model.train()# 打乱数据indices = torch.randperm(X_train_tensor.size(0))X_train_tensor = X_train_tensor[indices]y_train_tensor = y_train_tensor[indices]# 按批次训练for i in range(0, X_train_tensor.size(0), batch_size):# 获取当前批次数据X_batch = X_train_tensor[i:i+batch_size]y_batch = y_train_tensor[i:i+batch_size]# 前向传播outputs = model(X_batch)loss = criterion(outputs, y_batch)# 反向传播和优化optimizer.zero_grad()  # 清除之前的梯度loss.backward()        # 反向传播optimizer.step()       # 更新模型参数# 每隔一定周期打印训练损失if (epoch + 1) % 10 == 0:print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')# 验证模型
model.eval()
with torch.no_grad():  # 不需要计算梯度val_outputs = model(X_val_tensor)val_loss = criterion(val_outputs, y_val_tensor)print(f'Validation Loss: {val_loss.item():.4f}')# 使用模型进行预测
model.eval()
with torch.no_grad():predictions = model(X_val_tensor)print("Predictions:", predictions[:5].numpy())  # 打印前5个预测结果
    1. 代码解析
    • 数据处理：
      StandardScaler 用于标准化数据，使其均值为0，方差为1，有助于加速训练。数据集被划分为训练集和验证集，使用 train_test_split 进行划分。
    • 神经网络定义：
      PricePredictor 类继承自 nn.Module，定义了一个简单的全连接网络（3个隐藏层）。每个隐藏层使用 ReLU 激活函数。输出层是一个线性层，用于回归任务，不使用激活函数。
    • 训练过程：
      采用 Adam 优化器，学习率设置为 0.001。损失函数使用 均方误差（MSE），适用于回归任务。使用小批量（batch）梯度下降来训练网络。
    • 评估模型：
      在验证集上计算损失，评估模型的性能。
    • 预测：
      使用训练好的模型进行预测，输出预测值。

2. 图像分类

  • 要使用 PyTorch 搭建一个用于图像分类的深度学习模型，我们可以构建一个典型的卷积神经网络（CNN）。CNN 在图像分类任务中表现出色，因为它能够有效地捕捉图像的空间结构特征。

  • 这里将展示如何使用 PyTorch 创建一个简单的卷积神经网络来进行图像分类。假设你已经有一个图像数据集，并且任务是对图像进行分类。以下是一个简单的 CNN 模型，用于处理图像分类任务。

  1. 安装 PyTorch
    首先，确保你已经安装了 PyTorch。如果没有安装，可以运行以下命令：
pip install torch torchvision

  1. 构建 CNN 模型
    我们将使用 PyTorch 构建一个简单的卷积神经网络模型。这个模型包含多个卷积层（Convolutional Layer）、池化层（Pooling Layer）、全连接层（Fully Connected Layer），最终输出预测类别。

  2. PyTorch 示例代码

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
from sklearn.metrics import accuracy_score# 数据预处理和增强
transform = transforms.Compose([transforms.Resize((128, 128)),   # 缩放图像到 128x128transforms.ToTensor(),           # 转换为 Tensor 格式transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))  # 图像归一化
])# 加载训练和验证数据集
train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
val_dataset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform)train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False)# 定义 CNN 模型
class SimpleCNN(nn.Module):def __init__(self, num_classes=10):super(SimpleCNN, self).__init__()# 卷积层self.conv1 = nn.Conv2d(3, 32, kernel_size=3, padding=1)self.conv2 = nn.Conv2d(32, 64, kernel_size=3, padding=1)self.conv3 = nn.Conv2d(64, 128, kernel_size=3, padding=1)# 池化层self.pool = nn.MaxPool2d(2, 2)# 全连接层self.fc1 = nn.Linear(128 * 16 * 16, 512)  # 输入图像大小: 128x128, 卷积后大小: 16x16self.fc2 = nn.Linear(512, num_classes)def forward(self, x):# 卷积 -> 激活 -> 池化x = self.pool(torch.relu(self.conv1(x)))x = self.pool(torch.relu(self.conv2(x)))x = self.pool(torch.relu(self.conv3(x)))# 展平x = x.view(-1, 128 * 16 * 16)# 全连接层x = torch.relu(self.fc1(x))x = self.fc2(x)  # 输出类别return x# 实例化模型
model = SimpleCNN(num_classes=10)  # CIFAR-10有10个类别# 损失函数和优化器
criterion = nn.CrossEntropyLoss()  # 多分类交叉熵损失
optimizer = optim.Adam(model.parameters(), lr=0.001)# 训练模型
num_epochs = 10
for epoch in range(num_epochs):model.train()running_loss = 0.0correct = 0total = 0for images, labels in train_loader:# 前向传播outputs = model(images)loss = criterion(outputs, labels)# 反向传播optimizer.zero_grad()loss.backward()optimizer.step()running_loss += loss.item()# 计算准确率_, predicted = torch.max(outputs.data, 1)total += labels.size(0)correct += (predicted == labels).sum().item()# 计算训练集的损失和准确率train_loss = running_loss / len(train_loader)train_accuracy = 100 * correct / totalprint(f'Epoch [{epoch+1}/{num_epochs}], Loss: {train_loss:.4f}, Accuracy: {train_accuracy:.2f}%')# 验证模型
model.eval()
correct = 0
total = 0
with torch.no_grad():for images, labels in val_loader:outputs = model(images)_, predicted = torch.max(outputs.data, 1)total += labels.size(0)correct += (predicted == labels).sum().item()val_accuracy = 100 * correct / total
print(f'Validation Accuracy: {val_accuracy:.2f}%')# 保存模型
torch.save(model.state_dict(), 'cnn_model.pth')
  1. 代码解释

  • 数据预处理：

    • 使用 transforms.Compose() 来进行图像处理：调整图像大小、转换为 Tensor 格式、归一化（标准化）图像。
    • CIFAR-10 数据集包含 10 类图片，每个图片是 32x32 的彩色图像，因此我们将图像尺寸调整为 128x128。

  • CNN 模型：

    • SimpleCNN 类是模型的核心，包含了 3 个卷积层，每个卷积层后面跟随一个 ReLU 激活函数和池化层（MaxPooling）。
    • 最后是两个全连接层（fc1 和 fc2），用于将卷积层提取的特征映射到最终的类别输出。

  • 训练过程：

    • 使用 Adam 优化器和 CrossEntropyLoss 损失函数，这两个是分类任务中常用的设置。
    • 训练过程包括正向传播、计算损失、反向传播、参数更新等步骤。
      每训练一个 epoch，会输出当前的损失和训练准确率。

  • 验证过程：
    在验证集上评估模型的准确率。使用 torch.no_grad() 来避免在验证过程中计算梯度。

3. 图像分割

  • 图像分割（Image Segmentation）是计算机视觉中的一个任务，目标是将图像分成若干区域，其中每个区域代表一个对象或者场景的某一部分。常见的图像分割任务包括语义分割（Semantic Segmentation）和实例分割（Instance Segmentation）。

  • 在下文中中，我们将使用 U-Net 网络进行图像分割。U-Net 是一种常见且有效的卷积神经网络架构，特别适用于医学图像分割任务，但也适用于其他场景。它由编码器（卷积层和池化层）和解码器（上采样和卷积层）组成，并且通过跳跃连接（Skip Connections）连接编码器和解码器，以帮助恢复空间信息。

  1. 安装 PyTorch 和 torchvision
    首先，确保你已经安装了 PyTorch 和 torchvision。你可以使用以下命令安装：
pip install torch torchvision

  1. 构建 U-Net 模型
    我们将从头开始构建 U-Net 模型。U-Net 主要包括以下几个部分：

    • 编码器：由多个卷积层和池化层组成，用于提取图像特征。
    • 解码器：由多个卷积层和上采样层组成，用于恢复图像的空间分辨率。
    • 跳跃连接：用于将编码器中的特征传递到解码器中，帮助恢复细节信息。

  2. PyTorch 代码示例：U-Net 图像分割模型
    3.1 导入必要的库

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
import numpy as np
import matplotlib.pyplot as plt

3.2 定义 U-Net 模型

class UNet(nn.Module):def __init__(self, in_channels, out_channels):super(UNet, self).__init__()# 编码器部分self.encoder1 = self.conv_block(in_channels, 64)self.encoder2 = self.conv_block(64, 128)self.encoder3 = self.conv_block(128, 256)self.encoder4 = self.conv_block(256, 512)# 中间部分self.center = self.conv_block(512, 1024)# 解码器部分self.decoder4 = self.upconv_block(1024, 512)self.decoder3 = self.upconv_block(512, 256)self.decoder2 = self.upconv_block(256, 128)self.decoder1 = self.upconv_block(128, 64)# 输出层self.output = nn.Conv2d(64, out_channels, kernel_size=1)def conv_block(self, in_channels, out_channels):return nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1),nn.ReLU(inplace=True),nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1),nn.ReLU(inplace=True))def upconv_block(self, in_channels, out_channels):return nn.Sequential(nn.ConvTranspose2d(in_channels, out_channels, kernel_size=2, stride=2),nn.ReLU(inplace=True))def forward(self, x):# 编码器部分enc1 = self.encoder1(x)enc2 = self.encoder2(enc1)enc3 = self.encoder3(enc2)enc4 = self.encoder4(enc3)# 中间部分center = self.center(enc4)# 解码器部分dec4 = self.decoder4(center)dec3 = self.decoder3(dec4)dec2 = self.decoder2(dec3)dec1 = self.decoder1(dec2)# 输出层out = self.output(dec1)return out

3.3 训练和数据加载
这里我们假设你有一个图像分割数据集，并且标注为二分类（比如背景和前景）。我们将使用数据集的图像和标签来训练模型。

# 假设你有一个自定义数据集，这里使用PIL图像和Tensor转换为例
class SegmentationDataset(torch.utils.data.Dataset):def __init__(self, images, masks, transform=None):self.images = imagesself.masks = masksself.transform = transformdef __len__(self):return len(self.images)def __getitem__(self, idx):image = self.images[idx]mask = self.masks[idx]if self.transform:image = self.transform(image)mask = self.transform(mask)return image, mask# 数据增强和转换
transform = transforms.Compose([transforms.ToTensor(),
])# 假设 images 和 masks 已经加载到内存中，并且是正确格式的
# images: 一个形状为 (N, H, W, C) 的 numpy 数组
# masks: 一个形状为 (N, H, W) 的 numpy 数组train_dataset = SegmentationDataset(images, masks, transform=transform)
train_loader = DataLoader(train_dataset, batch_size=4, shuffle=True)# 创建模型
model = UNet(in_channels=3, out_channels=1)  # 3 输入通道（RGB图像），1 输出通道（分割掩码）# 损失函数和优化器
criterion = nn.BCEWithLogitsLoss()  # 对于二分类使用 BCEWithLogitsLoss
optimizer = optim.Adam(model.parameters(), lr=1e-4)# 训练模型
num_epochs = 10
for epoch in range(num_epochs):model.train()running_loss = 0.0for images, masks in train_loader:# 将图像和标签放到设备上images = images.to(device)masks = masks.to(device)# 前向传播outputs = model(images)loss = criterion(outputs.squeeze(1), masks)# 反向传播和优化optimizer.zero_grad()loss.backward()optimizer.step()running_loss += loss.item()print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/len(train_loader):.4f}')

3.4 测试和评估
测试和评估部分是通过模型推理（inference）来获取分割结果。

# 测试部分
model.eval()
with torch.no_grad():for images, masks in test_loader:images = images.to(device)masks = masks.to(device)# 推理outputs = model(images)predicted = torch.sigmoid(outputs) > 0.5  # 将输出映射到 [0, 1] 范围，0.5为阈值# 可以进行后处理（例如计算IoU, Dice系数等）# 显示结果或保存图像plt.imshow(predicted[0].cpu().numpy(), cmap='gray')plt.show()
  1. 进一步改进
  • 数据增强：在训练过程中可以进行数据增强，例如随机裁剪、旋转、翻转等，以增加模型的鲁棒性。
  • 多通道输出：如果任务是多类分割，模型的输出通道可以设置为类别数，每个像素点有多个通道表示其属于不同类别的概率。
  • 预训练模型：可以使用基于深度卷积神经网络（如ResNet）的预训练模型来初始化网络的编码器部分，这通常有助于加速训练过程。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/pingmian/64625.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【MySQL】InnoDB引擎中的Compact行格式

【MySQL】InnoDB引擎中的Compact行格式

目录 1、背景2、数据示例3、Compact解释【1】组成【2】头部信息【3】隐藏列【4】数据列 4、总结 1、背景 mysql中数据存储是存储引擎干的事，InnoDB存储引擎以页为单位存储数据，每个页的大小为16KB，平时我们操作数据库都是以行为单位进行增删…
阅读更多...
Kylin麒麟操作系统 | 网络链路聚合配置（team和bond）

Kylin麒麟操作系统 | 网络链路聚合配置（team和bond）

目录 一、理论储备1. 链路聚合 二、任务实施1. team模式2. bond模式 一、理论储备 1. 链路聚合 链路聚合是指将多个物理端口捆绑在一起，形成一个逻辑端口，以实现出/入流量在各成员端口中的负载分担。链路聚合在增加链路带宽、实现链路传输弹性和冗余等…
阅读更多...
探索 AIGC：从内容生产到智能创意的新时代

探索 AIGC：从内容生产到智能创意的新时代

近年来，人工智能（AI）技术正以惊人的速度发展，从机器学习、深度学习再到自然语言处理和生成式模型，AI 的触角已延伸至各行各业。与此同时，一个新兴的概念逐渐受到关注——AIGC（AI Generated Cont…
阅读更多...
Linux中用户和用户管理详解

Linux中用户和用户管理详解

文章目录 Linux中用户和用户管理详解一、引言二、用户和用户组的基本概念1、用户账户文件2、用户组管理 三、用户管理操作1、添加用户2、设置用户密码3、删除用户 四、用户组操作1、创建用户组2、将用户添加到用户组 五、总结 Linux中用户和用户管理详解 一、引言 在Linux系统…
阅读更多...
Android上传到Minio本地存储

Android上传到Minio本地存储

Minio简介 MinIO是一个对象存储解决方案，它提供了与Amazon Web Services S3兼容的API，并支持所有核心S3功能。 MinIO有能力在任何地方部署 - 公有云或私有云，裸金属基础设施，编排环境，以及边缘基础设施。author: https…
阅读更多...
Spring MVC 中，处理异常的 6种方式

Spring MVC 中，处理异常的 6种方式

异常处理是每个 Java程序员需要面对的一个问题，在Spring中，提供了多种机制来处理控制器抛出的异常，确保应用程序在面对各种错误情况时能够优雅地响应。这篇文章，我们来详细分析Spring MVC中，几种优雅处理异常的方式。 …
阅读更多...
多进程并发跑程序：pytest-xdist记录

多进程并发跑程序：pytest-xdist记录

多进程并发跑程序：pytest-xdist记录 pytest -s E:\testXdist\test_dandu.py pytest -s testXdist\test_dandu.py pytest -s ：是按用例顺序依次跑用例 pytest -vs -n auto E:\testXdist\test_dandu.py pytest -vs -n auto，auto表示以全部进程…
阅读更多...
【ETCD】【源码阅读】深入解析 EtcdServer.applySnapshot方法

【ETCD】【源码阅读】深入解析 EtcdServer.applySnapshot方法

今天我们来一步步分析ETCD中applySnapshot函数 一、函数完整代码 函数的完整代码如下： func (s *EtcdServer) applySnapshot(ep *etcdProgress, apply *apply) {if raft.IsEmptySnap(apply.snapshot) {return}applySnapshotInProgress.Inc()lg : s.Logger()lg.In…
阅读更多...
spring @Mapper Converter转换泛型异常

spring @Mapper Converter转换泛型异常

spring Mapper Converter转换泛型异常 需要在每个list类型转换上面加Named 注解，否则会影响page生成的类型转换 比如： import org.mapstruct.Mapper; import org.mapstruct.Named;import com.baomidou.mybatisplus.core.metadata.IPage; import com.b…
阅读更多...
笔记--（Shell脚本04）、循环语句与函数

笔记--（Shell脚本04）、循环语句与函数

循环语句 1、for语句的结构 for 变量名 in 取值列表 do 命令序列 done for 收件人 in 邮件地址列表 do 发送邮件 done for i in {1..10} doecho $i done[rootlocalhost shell]# ./ce7.sh 1 2 ...... 9 101 #!/bin/bash2 3 for i in seq 1 104 do5 echo $i6 done[rootlocal…
阅读更多...
用.Net Core框架创建一个Web API接口服务器

用.Net Core框架创建一个Web API接口服务器

我们选择一个Web Api类型的项目创建一个解决方案为解决方案取一个名称我们这里选择的是。Net 8.0框架 注意，需要勾选的项。 我们找到appsetting.json配置文件 appsettings.json配置文件内容如下 {"Logging": {"LogLevel": {"Default&quo…
阅读更多...
go引用包生成不了vendor的问题

go引用包生成不了vendor的问题

比如我要引入github.com/jinzhu/gorm这个包. 1. 首先获取包 go get github.com/jinzhu/gorm 这时go.mod文件中也有这个包依赖信息了. 2. 然后构建vendor go mod vendor 结果发现vendor目录下没有生成对应的包, 而且modules.txt也注释掉这个包了. 原因是没有其进行引用, go…
阅读更多...
36. Three.js案例-创建带光照和阴影的球体与平面

36. Three.js案例-创建带光照和阴影的球体与平面

36. Three.js案例-创建带光照和阴影的球体与平面 实现效果 知识点 Three.js基础 WebGLRenderer WebGLRenderer 是Three.js中最常用的渲染器，用于将场景渲染到网页上。 构造器 new THREE.WebGLRenderer(parameters)参数类型描述parametersobject可选参数&#…
阅读更多...
websocket再项目中的使用

websocket再项目中的使用

WebSocket在项目中的使用‌主要包括以下几个方面： ‌WebSocket的基本概念和原理‌： ‌定义‌：WebSocket是一种基于TCP的协议，实现了浏览器与服务器之间的全双工通信。它通过HTTP/1.1协议的101状态码进行握手，建立连接‌…
阅读更多...
el-table表格嵌套子表格：展开所有内容；对当前展开行内容修改，当前行默认展开；

el-table表格嵌套子表格：展开所有内容；对当前展开行内容修改，当前行默认展开；

原文1 原文2 原文3 一、如果全部展开 default-expand-all"true" 二、设置有数据的行打开下拉 1、父table需要绑定两个属性expand-row-key和row-key <el-table:data"tableData":expand-row-keys"expends" //expends是数组&#xff0c;设置…
阅读更多...
零基础微信小程序开发——小程序的宿主环境（保姆级教程+超详细）

零基础微信小程序开发——小程序的宿主环境（保姆级教程+超详细）

&#x1f3a5; 作者简介&#xff1a; CSDN\阿里云\腾讯云\华为云开发社区优质创作者&#xff0c;专注分享大数据、Python、数据库、人工智能等领域的优质内容 &#x1f338;个人主页&#xff1a; 长风清留杨的博客 &#x1f343;形式准则&#xff1a; 无论成就大小&#xff0c;…
阅读更多...
NOTEBOOK_11 汽车电子设备分享（工作经验）

NOTEBOOK_11 汽车电子设备分享（工作经验）

汽车电子设备分享 摘要 本文主要列出汽车电子应用的一些实验设备和生产设备&#xff0c;部分会给予一定推荐。目录 摘要一、通用工具&#xff1a;二、测量与测试仪器2.1测量仪器2.2无线通讯测量仪器2.3元器件测试仪2.4安规测试仪2.5电源供应器2.6电磁兼容测试设备2.7可靠性环境…
阅读更多...
利用两种方式分别实现单例模式（懒汉式、饿汉式）

利用两种方式分别实现单例模式（懒汉式、饿汉式）

package testsingle;//实现单例的两种方式 public class TestMySingle {public static void main(String[] args) {ClassA ca1 ClassA.getClassA();ClassA ca2 ClassA.getClassA();System.out.println(ca1ca2);ClassB cb1 ClassB.getClassB();ClassB cb2 ClassB.getClassB(…
阅读更多...
linux centos 7 安装 mongodb7

linux centos 7 安装 mongodb7

MongoDB 是一个基于文档的 NoSQL 数据库。 MongoDB 是一个文档型数据库&#xff0c;数据以类似 JSON 的文档形式存储。 MongoDB 的设计理念是为了应对大数据量、高性能和灵活性需求。 MongoDB使用集合&#xff08;Collections&#xff09;来组织文档&#xff08;Documents&a…
阅读更多...
微服务设计原则——功能设计

微服务设计原则——功能设计

文章目录 1.ID生成2.数值精度3.DB操作4.性能测试5.版本兼容5.1 向旧兼容5.2 向新兼容 6.异步时序问题7.并发问题7.1 并发时序7.2 并发数据竞争 参考文献 1.ID生成 在分布式系统中&#xff0c;生成全局唯一ID是非常重要的需求&#xff0c;因为需要确保不同节点、服务或实例在并…
阅读更多...
最新文章

Copyright @ 2022~2023