SripingBoot 启程

Posted 2023-03-31 zhongjianYuan

微服务论文（软实力）

微服务（Microservices）——Martin Flower - 船长&CAP - 博客园 (cnblogs.com)

SpringBoot官方学习文档：https://spring.io/projects/spring-boot

1、Spring

Spring是一个开源框架，2003 年兴起的一个轻量级的Java 开发框架，作者：Rod Johnson 。

Spring是为了解决企业级应用开发的复杂性而创建的，简化开发。

1.1、Spring如何简化Java开发

为了降低Java开发的复杂性，Spring采用了以下4种关键策略：

• 基于POJO的轻量级和最小侵入性编程，所有东西都是bean；

• 通过IOC，依赖注入（DI）和面向接口实现松耦合；

• 基于切面（AOP）和惯例进行声明式编程；

• 通过切面和模版减少样式代码，RedisTemplate，xxxTemplate；

1.2、什么是SpringBoot

就是一个javaweb的开发框架，和SpringMVC类似，对比其他javaweb框架的好处，官方说是简化开发，约定大于配置， you can “just run”，能迅速的开发web应用，几行代码开发一个http接口。

---

Spring Boot 基于 Spring 开发，Spirng Boot 本身并不提供 Spring 框架的核心特性以及扩展功能，只是用于快速、敏捷地开发新一代基于 Spring 框架的应用程序。也就是说，它并不是用来替代 Spring 的解决方案，而是和 Spring 框架紧密结合用于提升 Spring 开发者体验的工具。Spring Boot 以约定大于配置的核心思想，默认帮我们进行了很多设置，多数 Spring Boot 应用只需要很少的 Spring 配置。同时它集成了大量常用的第三方库配置（例如 Redis、MongoDB、Jpa、RabbitMQ、Quartz 等等），Spring Boot 应用中这些第三方库几乎可以零配置的开箱即用。

简单来说就是SpringBoot其实不是什么新的框架，它默认配置了很多框架的使用方式，就像maven整合了所有的jar包，spring boot整合了所有的框架 。

1.3、Spring Boot主要优点：

• 为所有Spring开发者更快的入门
• 开箱即用，提供各种默认配置来简化项目配置
• 内嵌式容器简化Web项目
• 没有冗余代码生成和XML配置的要求

---

2、微服务

2.1、什么是微服务

微服务是一种架构风格，它要求我们在开发一个应用的时候，这个应用必须构建成一系列小服务的组合；可以通过http的方式进行互通，要说微服务架构，先得说说过去的单体应用架构。

2.2、单体应用架构

所谓单体应用架构(all in one)是指，我们将一个应用中的所有应用服务都封装在一个应用中。

无论是ERP、CRM或是其他什么系统，你都把数据库访问，web访问，等等各个功能放在一个war包内。

• 这么做的好处是，易于开发和测试；也十分方便部署；当需要扩展时，只需把war复制多份，然后放到多个服务器上，再做个负载均衡就可以了。
• 单体应用架构缺点是，哪怕我要修改一个非常小的地方，我都需要停掉整个服务，重新打包、部署这个应用war包。特别是对于一个大型应用，我们不可能把所有内容都放在一个应用里，我们如何维护、如何分工合作都是问题。

2.3、微服务架构

all in one 的架构方式，我们把所有的功能单元放在一个应用里面。然后我们把整个应用部署到服务器上。如果负载能力不行，我们将整个应用进行水平复制，进行扩展，然后在负载均衡。

所谓微服务架构，就是打破之前all in one的架构方式，把每个功能元素独立出来。把独立出来的功能元素的动态组合，需要的功能元素才去拿来组合，需要多一些时可以整合多个功能元素。所以微服务架构是对功能元素进行复制，而没有对整个应用进行复制。

这样做的好处 ：

• 节省了调用资源
• 每个功能元素的服务都是一个可替换的、可独立升级的软件代码。

2.4、如何构建微服务架构

一个大型系统的微服务架构，就像一个复杂交织的神经网络，每一个神经元就是一个功能元素，它们各自完成自己的功能，然后通过http相互请求调用。比如一个电商系统，查缓存、连数据库、浏览页面、结账、支付等服务都是一个个独立的功能服务，都被微化了，它们作为一个个微服务共同构建了一个庞大的系统。如果修改其中的一个功能，只需要更新升级其中一个功能服务单元即可。
​ 但是这种庞大的系统架构给部署和运维带来很大的难度。于是，spring为我们带来了构建大型分布式微服务的全套、全程产品:

• 构建一个个功能独立的微服务应用单元，可以使用springboot，可以帮我们快速构建一个应用
• 大型分布式网络服务的调用，这部分由spring cloud来完成，实现分布式
• 在分布式中间，进行流式数据计算、批处理，我们有spring cloud data flow。
• spring为我们想清楚了整个从开始构建应用到大型分布式应用全流程方案。

TF启程

我第一次开始接触到TensorFlow大概是去年五月份，大三下，如果一年多已过，我却还在写启程。。这进度，实在汗颜。。

一个完整的tensorflow程序可以分为以下几部分：

• Inputs and Placeholders
• Build the Graph
  • Inference
  • Loss
• Training
• Train the Model
• Visualize the Status
• Save a Checkpoint
• Evaluate the Model
• Build the Eval Graph
• Eval Output

Inputs and Placeholders

对于一个完整的网络来说，必定有输入还有输出，而Placeholders就是针对网络输入来的，相当于预先给输入变量占个坑，拿mnist来说，占坑代码可以如下面的例子：

1 images_placeholder = tf.placeholder(tf.float32, shape=(batch_size,mnist.IMAGE_PIXELS))
3 labels_placeholder = tf.placeholder(tf.int32, shape=(batch_size))

上述代码相当于为mnist图片和标签分别占坑，而tf.placeholder参数可以如下面所示：

tf.placeholder(dtype, shape=None, name=None)

即需要提供占坑数据类型dtype,占坑数据shape,当然也可以给它提供一个唯一的name。

Build the Graph

因为tf是通过构建图模型来进行网络搭建的，因此搭建网络也就是’Build the Graph’。

Inference

首先就是构建图，利用一系列符号将要表达的操作表达清楚，以用于后续模型的训练。如下面代码：

1 with tf.name_scope(‘hidden1‘):
2     weights = tf.Variable(tf.truncated_normal([IMAGE_PIXELS, hidden1_units],3         stddev=1.0 / math.sqrt(float(IMAGE_PIXELS))),name=‘weights‘)
4 
5     biases = tf.Variable(tf.zeros([hidden1_units]),6     name=‘biases‘)

如上述代码，对于一个图的搭建，需要一些变量来支持我们的运算，比如矩阵相乘等，需要通过tf.Variable来声明变量，其参数格式如下：

1 tf.Variable(self, initial_value=None, trainable=True, collections=None, validate_shape=True,2     caching_device=None, name=None, variable_def=None, dtype=None)

需要提供变量初始值initial_value, 是否接受训练trainable,对于validate_shape表示该变量是否可以改变，如果形状可以改变，那么应该为False。对于每个变量，可以赋予不同的名字tf.name_scope。

Loss

在定义完图结构之后，我们需要有个目标函数，用作更新图结构中的各个变量。

1 labels = tf.to_int64(labels)
3 cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits, labels, name=‘xentropy‘)

如上，通过给定的labels占坑变量，完成手写数字识别的最后交叉熵函数。

Training

在得到目标函数之后，我们就可以对模型进行训练，这里常用梯度下降法。在训练阶段，我们可以通过tf.scalar_summary来实现变量的记录，用作后续的tensorboard的可视化，如：

1 tf.scalar_summary(loss.op.name, loss)

然后通过tf.SummaryWriter()来得到对应的提交值。

而对于模型的最优化，这里 tf 提供了很多optimazer,通常在tf.train里面，这里常用的是GradientDenscentOptimizer(lr),然后通过调用：

1 train_op = optimizer.minimize(loss, global_step=global_step)

Train the Model

在模型训练时，我们需要打开一个默认的图环境，用作训练，如：

1 with tf.Graph().as_default():

以此来打开一个图结构，然后我们需要声明一个会话在所有操作都定义完毕之后，这样我们就可以利用这个session来运行Graph.可以通过如下方法声明：

1 with tf.Session() as sess:
2     init = tf.initialize_all_variables()
3     sess.run(init)

每次我们可以通过sess.run来运行一些操作，进而获取其输出值，

1 sess.run(fetches, feed_dict=None, options=None, run_metadata=None)

可以看到，run需要fetches，即操作，feed_dict为fetches的输入，即占坑变量与其对应值构成的字典。

Visualize the Status

当然，在运行过程，我们可以通过可视化的操作来看网络运行情况。
在之前的tf.scalar_summary, 我们可以通过：

1 summary = tf.merge_all_summaries()

将在图构建阶段的变量收集起来，然后在session创建之后运行如下命令生成可视化的值。

1 summary_str = sess.run(summary, feed_dict=feed_dict)
2 summary_writer.add_summary(summary_str, step)

其中summary_writer由如下得到：

1 summary_writer = tf.train.SummaryWriter(FLAGS.train_dir, sess.graph)

然后用tensorboard打开对应文件即可。

Save a Chenckpoint

对于模型的保存，可以通过如下代码实现：

1 saver = tf.train.Saver()  
2 saver.save(sess, FLAGS.train_dir, global_step=step)

而载入模型可以通过如下的代码来实现：

saver.restore(sess, FLAGS.train_dir)

当然了，模型的估计就类似上述了。

这样简单的模型搭建到运行就完成了。本文主要用到这些函数：

• tf.placeholder
• tf.Variable
• tf.train
  • tf.train.GradientDenscentOptimizer
  • tf.train.SummaryWriter
  • tf.train.Saver
• tf.session
• tf.Graph
• tf.add_summary
• tf.merge_all_summaries

其实构建一个模型基本就用这些函数，然后就是一些数理计算方法。详情参看tensorflow。