Serverless-Eventing-Platform-for-Microservices 项目教程

Serverless-Eventing-Platform-for-Microservices 项目教程

Serverless-Eventing-Platform-for-MicroservicesThis solution is a personal knowledge management system and it allows users to upload text, images, and audio into categories. Each of these types of data is managed by a dedicated microservice built on Azure serverless technologies including Azure Functions and Cognitive Services. The web front-end communicates with the microservices through a SignalR-to-Event Grid bridge, allowing for real-time reactive UI updates based on the microservice updates. Each microservice is built and deployed independently using VSTS’s build and release management system, and use a variety of Azure-native data storage technologies.项目地址:https://gitcode.com/gh_mirrors/se/Serverless-Eventing-Platform-for-Microservices

1、项目介绍

Serverless-Eventing-Platform-for-Microservices 是一个基于 Azure 的无服务器微服务示例项目。该项目展示了如何使用 Azure Event Grid 进行微服务之间的松耦合通信,并结合 Azure Functions 和 Cognitive Services 构建一个个人知识管理系统。用户可以通过该系统上传文本、图片和音频,并将其分类管理。

主要特点:

  • 微服务架构:项目包含四个微服务,每个微服务负责管理不同类型的数据(文本、图片、音频和分类)。
  • Event Grid:使用 Event Grid 进行微服务之间的消息传递,实现松耦合的通信。
  • Azure Functions:每个微服务基于 Azure Functions 构建,实现无服务器计算。
  • Cognitive Services:结合 Azure 的认知服务,提供智能化的数据处理能力。
  • Angular 前端:前端使用 Angular 框架,并通过 SignalR 与后端进行实时通信。

2、项目快速启动

环境准备

克隆项目

git clone https://github.com/Azure-Samples/Serverless-Eventing-Platform-for-Microservices.git
cd Serverless-Eventing-Platform-for-Microservices

安装依赖

npm install

配置 Azure 资源

  1. 登录 Azure 账户:
    az login
    
  2. 创建资源组:
    az group create --name myResourceGroup --location eastus
    
  3. 创建 Azure Functions 应用:
    az functionapp create --resource-group myResourceGroup --consumption-plan-location eastus --name myFunctionApp --storage-account myStorageAccount
    

部署项目

  1. 部署 Azure Functions:
    func azure functionapp publish myFunctionApp
    
  2. 启动前端应用:
    ng serve
    

访问应用

在浏览器中访问 http://localhost:4200,即可开始使用应用。

3、应用案例和最佳实践

应用案例

  • 个人知识管理:用户可以上传和管理文本、图片和音频,并将其分类存储。
  • 事件驱动架构:通过 Event Grid 实现微服务之间的松耦合通信,提高系统的可扩展性和灵活性。

最佳实践

  • 微服务拆分:根据业务功能将系统拆分为多个独立的微服务,每个微服务负责特定的数据类型。
  • 无服务器计算:使用 Azure Functions 实现无服务器计算,降低运维成本。
  • 事件驱动通信:通过 Event Grid 实现微服务之间的松耦合通信,确保系统的可扩展性和灵活性。

4、典型生态项目

Azure Functions

Azure Functions 是 Azure 提供的无服务器计算服务,适用于构建事件驱动的应用程序。

Azure Event Grid

Azure Event Grid 是一个完全托管的事件路由服务,支持事件驱动架构。

Azure Cognitive Services

Azure Cognitive Services 提供了一系列的 AI 服务,帮助开发者构建智能化的应用程序。

Angular

Angular 是一个流行的前端框架,适用于构建单页应用程序。

SignalR

SignalR 是一个实时通信库,支持双向通信,适用于构建实时应用程序。

通过结合这些生态项目,Serverless-Eventing-Platform-for-Microservices 展示了如何在 Azure 平台上构建一个高效、可扩展的个人知识管理系统。

Serverless-Eventing-Platform-for-MicroservicesThis solution is a personal knowledge management system and it allows users to upload text, images, and audio into categories. Each of these types of data is managed by a dedicated microservice built on Azure serverless technologies including Azure Functions and Cognitive Services. The web front-end communicates with the microservices through a SignalR-to-Event Grid bridge, allowing for real-time reactive UI updates based on the microservice updates. Each microservice is built and deployed independently using VSTS’s build and release management system, and use a variety of Azure-native data storage technologies.项目地址:https://gitcode.com/gh_mirrors/se/Serverless-Eventing-Platform-for-Microservices

  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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

打赏作者

劳妍沛

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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